Error generando diagrama
" - -########################################################################### -def display_morphosyntax_interface(lang_code, nlp_models, morpho_t): - """ - Interfaz principal para la visualización de diagramas de arco - (Texto Base vs Iteraciones). - """ - # CSS para layout vertical y estable - st.markdown(""" - - """, unsafe_allow_html=True) - - # 1) Inicializar estados - initialize_arc_analysis_state() - arc_state = st.session_state.arc_analysis_state - - # 2) Creamos pestañas: "Texto Base" y "Iteraciones" - tabs = st.tabs(["Texto Base", "Iteraciones"]) - - # =================== PESTAÑA 1: Texto Base ========================== - with tabs[0]: - st.subheader("Análisis de Texto Base") - - # Botón para iniciar nuevo análisis - if st.button("Nuevo Análisis", key="btn_reset_base"): - # Solo limpiamos el estado; si requieres forzar reload, - # descomenta la siguiente línea: - # st.experimental_rerun() - reset_arc_analysis_state() - - # Textarea de texto base - arc_state["base_text"] = st.text_area( - "Ingrese su texto inicial", - value=arc_state["base_text"], - key="base_text_input", - height=150 - ) - - # Botón para analizar texto base - if st.button("Analizar Texto Base", key="btn_analyze_base"): - if not arc_state["base_text"].strip(): - st.warning("Ingrese un texto para analizar.") - else: - try: - # Procesar con spaCy - doc = nlp_models[lang_code](arc_state["base_text"]) - # Generar HTML del arco - arc_html = display_arc_diagram(doc) - arc_state["base_diagram"] = arc_html - - # Guardar en Mongo - analysis = perform_advanced_morphosyntactic_analysis( - arc_state["base_text"], - nlp_models[lang_code] - ) - base_id = store_student_morphosyntax_base( - username=st.session_state.username, - text=arc_state["base_text"], - arc_diagrams=analysis["arc_diagrams"] - ) - if base_id: - arc_state["base_id"] = base_id - st.success(f"Análisis base guardado. ID: {base_id}") - - except Exception as exc: - st.error("Error procesando texto base") - logger.error(f"Error en análisis base: {str(exc)}") - - # Mostrar diagrama base - if arc_state["base_diagram"]: - st.markdown("", unsafe_allow_html=True) - st.markdown("#### Diagrama de Arco (Texto Base)") - st.write(arc_state["base_diagram"], unsafe_allow_html=True) - - # ================== PESTAÑA 2: Iteraciones ========================== - with tabs[1]: - st.subheader("Análisis de Cambios / Iteraciones") - - # Verificar que exista texto base analizado - if not arc_state["base_id"]: - st.info("Primero analiza un texto base en la pestaña anterior.") - return - - # Mostrar texto base como referencia (solo lectura) - st.text_area( - "Texto Base (solo lectura)", - value=arc_state["base_text"], - height=80, - disabled=True - ) - - # Caja de texto para la iteración - arc_state["iteration_text"] = st.text_area( - "Texto de Iteración", - value=arc_state["iteration_text"], - height=150 - ) - - # Botón analizar iteración - if st.button("Analizar Cambios", key="btn_analyze_iteration"): - if not arc_state["iteration_text"].strip(): - st.warning("Ingrese texto de iteración.") - else: - try: - # Procesar con spaCy - doc_iter = nlp_models[lang_code](arc_state["iteration_text"]) - arc_html_iter = display_arc_diagram(doc_iter) - arc_state["iteration_diagram"] = arc_html_iter - - # Guardar en Mongo - analysis_iter = perform_advanced_morphosyntactic_analysis( - arc_state["iteration_text"], - nlp_models[lang_code] - ) - iteration_id = store_student_morphosyntax_iteration( - username=st.session_state.username, - base_id=arc_state["base_id"], - original_text=arc_state["base_text"], - iteration_text=arc_state["iteration_text"], - arc_diagrams=analysis_iter["arc_diagrams"] - ) - if iteration_id: - st.success(f"Iteración guardada. ID: {iteration_id}") - - except Exception as exc: - st.error("Error procesando iteración") - logger.error(f"Error en iteración: {str(exc)}") - - # Mostrar diagrama de iteración - if arc_state["iteration_diagram"]: - st.markdown("
", unsafe_allow_html=True) - st.markdown("#### Diagrama de Arco (Iteración)") - st.write(arc_state["iteration_diagram"], unsafe_allow_html=True) - - # Comparación vertical (uno abajo del otro) - if arc_state["base_diagram"] and arc_state["iteration_diagram"]: - st.markdown("
", unsafe_allow_html=True) - st.markdown("### Comparación Vertical: Base vs. Iteración") - - st.markdown("**Diagrama Base**") - st.write(arc_state["base_diagram"], unsafe_allow_html=True) - - st.markdown("---") - st.markdown("**Diagrama Iterado**") +# modules/morphosyntax/morphosyntax_interface.py + +import streamlit as st +import re +import logging +from spacy import displacy + +# Se asume que la función perform_advanced_morphosyntactic_analysis +# y los métodos store_student_morphosyntax_base/iteration existen. +from ..morphosyntax.morphosyntax_process import perform_advanced_morphosyntactic_analysis +from ..database.morphosyntax_iterative_mongo_db import ( + store_student_morphosyntax_base, + store_student_morphosyntax_iteration, +) + +logger = logging.getLogger(__name__) + +########################################################################### +def initialize_arc_analysis_state(): + """ + Inicializa el estado de análisis de arcos (base e iteraciones) si no existe. + """ + if "arc_analysis_state" not in st.session_state: + st.session_state.arc_analysis_state = { + "base_id": None, + "base_text": "", + "base_diagram": None, + "iteration_text": "", + "iteration_diagram": None, + } + logger.info("Estado de análisis de arcos inicializado.") + +########################################################################### +def reset_arc_analysis_state(): + """ + Resetea completamente el estado de análisis de arcos. + """ + st.session_state.arc_analysis_state = { + "base_id": None, + "base_text": "", + "base_diagram": None, + "iteration_text": "", + "iteration_diagram": None, + } + logger.info("Estado de arcos reseteado.") + +########################################################################### +def display_arc_diagram(doc): + """ + Genera y retorna el HTML del diagrama de arco para un `Doc` de spaCy. + No imprime directamente en pantalla; regresa el HTML para + usar con `st.write(..., unsafe_allow_html=True)`. + """ + try: + diagram_html = "" + for sent in doc.sents: + svg_html = displacy.render( + sent, + style="dep", + options={ + "distance": 100, + "arrow_spacing": 20, + "word_spacing": 30 + } + ) + # Ajustar tamaños + svg_html = svg_html.replace('height="375"', 'height="200"') + svg_html = re.sub( + r'
Error generando diagrama
" + +########################################################################### +def display_morphosyntax_interface(lang_code, nlp_models, morpho_t): + """ + Interfaz principal para la visualización de diagramas de arco + (Texto Base vs Iteraciones). + """ + # CSS para layout vertical y estable + st.markdown(""" + + """, unsafe_allow_html=True) + + # 1) Inicializar estados + initialize_arc_analysis_state() + arc_state = st.session_state.arc_analysis_state + + # 2) Creamos pestañas: "Texto Base" y "Iteraciones" + tabs = st.tabs(["Texto Base", "Iteraciones"]) + + # =================== PESTAÑA 1: Texto Base ========================== + with tabs[0]: + st.subheader("Análisis de Texto Base") + + # Botón para iniciar nuevo análisis + if st.button("Nuevo Análisis", key="btn_reset_base"): + # Solo limpiamos el estado; si requieres forzar reload, + # descomenta la siguiente línea: + # st.experimental_rerun() + reset_arc_analysis_state() + + # Textarea de texto base + arc_state["base_text"] = st.text_area( + "Ingrese su texto inicial", + value=arc_state["base_text"], + key="base_text_input", + height=150 + ) + + # Botón para analizar texto base + if st.button("Analizar Texto Base", key="btn_analyze_base"): + if not arc_state["base_text"].strip(): + st.warning("Ingrese un texto para analizar.") + else: + try: + # Procesar con spaCy + doc = nlp_models[lang_code](arc_state["base_text"]) + # Generar HTML del arco + arc_html = display_arc_diagram(doc) + arc_state["base_diagram"] = arc_html + + # Guardar en Mongo + analysis = perform_advanced_morphosyntactic_analysis( + arc_state["base_text"], + nlp_models[lang_code] + ) + base_id = store_student_morphosyntax_base( + username=st.session_state.username, + text=arc_state["base_text"], + arc_diagrams=analysis["arc_diagrams"] + ) + if base_id: + arc_state["base_id"] = base_id + st.success(f"Análisis base guardado. ID: {base_id}") + + except Exception as exc: + st.error("Error procesando texto base") + logger.error(f"Error en análisis base: {str(exc)}") + + # Mostrar diagrama base + if arc_state["base_diagram"]: + st.markdown("", unsafe_allow_html=True) + st.markdown("#### Diagrama de Arco (Texto Base)") + st.write(arc_state["base_diagram"], unsafe_allow_html=True) + + # ================== PESTAÑA 2: Iteraciones ========================== + with tabs[1]: + st.subheader("Análisis de Cambios / Iteraciones") + + # Verificar que exista texto base analizado + if not arc_state["base_id"]: + st.info("Primero analiza un texto base en la pestaña anterior.") + return + + # Mostrar texto base como referencia (solo lectura) + st.text_area( + "Texto Base (solo lectura)", + value=arc_state["base_text"], + height=80, + disabled=True + ) + + # Caja de texto para la iteración + arc_state["iteration_text"] = st.text_area( + "Texto de Iteración", + value=arc_state["iteration_text"], + height=150 + ) + + # Botón analizar iteración + if st.button("Analizar Cambios", key="btn_analyze_iteration"): + if not arc_state["iteration_text"].strip(): + st.warning("Ingrese texto de iteración.") + else: + try: + # Procesar con spaCy + doc_iter = nlp_models[lang_code](arc_state["iteration_text"]) + arc_html_iter = display_arc_diagram(doc_iter) + arc_state["iteration_diagram"] = arc_html_iter + + # Guardar en Mongo + analysis_iter = perform_advanced_morphosyntactic_analysis( + arc_state["iteration_text"], + nlp_models[lang_code] + ) + iteration_id = store_student_morphosyntax_iteration( + username=st.session_state.username, + base_id=arc_state["base_id"], + original_text=arc_state["base_text"], + iteration_text=arc_state["iteration_text"], + arc_diagrams=analysis_iter["arc_diagrams"] + ) + if iteration_id: + st.success(f"Iteración guardada. ID: {iteration_id}") + + except Exception as exc: + st.error("Error procesando iteración") + logger.error(f"Error en iteración: {str(exc)}") + + # Mostrar diagrama de iteración + if arc_state["iteration_diagram"]: + st.markdown("
", unsafe_allow_html=True) + st.markdown("#### Diagrama de Arco (Iteración)") + st.write(arc_state["iteration_diagram"], unsafe_allow_html=True) + + # Comparación vertical (uno abajo del otro) + if arc_state["base_diagram"] and arc_state["iteration_diagram"]: + st.markdown("
", unsafe_allow_html=True) + st.markdown("### Comparación Vertical: Base vs. Iteración") + + st.markdown("**Diagrama Base**") + st.write(arc_state["base_diagram"], unsafe_allow_html=True) + + st.markdown("---") + st.markdown("**Diagrama Iterado**") st.write(arc_state["iteration_diagram"], unsafe_allow_html=True) \ No newline at end of file diff --git a/modules/morphosyntax/morphosyntax_process.py b/modules/morphosyntax/morphosyntax_process.py index 96de1ecf8a22c337020ac1d71056d5f86c982e0d..407d29a66a20998b951d842619e354ee4dac803b 100644 --- a/modules/morphosyntax/morphosyntax_process.py +++ b/modules/morphosyntax/morphosyntax_process.py @@ -1,132 +1,132 @@ -#modules/morphosyntax/morphosyntax_process.py -import streamlit as st - -from ..text_analysis.morpho_analysis import ( - get_repeated_words_colors, - highlight_repeated_words, - generate_arc_diagram, - get_detailed_pos_analysis, - get_morphological_analysis, - get_sentence_structure_analysis, - perform_advanced_morphosyntactic_analysis, - POS_COLORS, - POS_TRANSLATIONS -) - -from ..database.morphosintax_mongo_db import store_student_morphosyntax_result - -import logging -logger = logging.getLogger(__name__) - - -def process_morphosyntactic_input(text, lang_code, nlp_models, t): - """ - Procesa el texto ingresado para realizar el análisis morfosintáctico. - - Args: - text: Texto a analizar - lang_code: Código del idioma - nlp_models: Diccionario de modelos spaCy - t: Diccionario de traducciones - - Returns: - tuple: (análisis, visualizaciones, texto_resaltado, mensaje) - """ - try: - # Realizar el análisis morfosintáctico - doc = nlp_models[lang_code](text) - - # Obtener el análisis avanzado - analysis = perform_advanced_morphosyntactic_analysis(text, nlp_models[lang_code]) - - # Generar visualizaciones - AQUÍ ESTÁ EL CAMBIO - arc_diagrams = generate_arc_diagram(doc) # Quitamos lang_code - - # Obtener palabras repetidas y texto resaltado - word_colors = get_repeated_words_colors(doc) - highlighted_text = highlight_repeated_words(doc, word_colors) - - # Guardar el análisis en la base de datos - store_student_morphosyntax_result( - st.session_state.username, - text, - { - 'arc_diagrams': arc_diagrams, - 'pos_analysis': analysis['pos_analysis'], - 'morphological_analysis': analysis['morphological_analysis'], - 'sentence_structure': analysis['sentence_structure'] - } - ) - - return { - 'analysis': analysis, - 'visualizations': arc_diagrams, - 'highlighted_text': highlighted_text, - 'success': True, - 'message': t.get('MORPHOSYNTACTIC', {}).get('success_message', 'Analysis completed successfully') - } - - except Exception as e: - logger.error(f"Error en el análisis morfosintáctico: {str(e)}") - return { - 'analysis': None, - 'visualizations': None, - 'highlighted_text': None, - 'success': False, - 'message': t.get('MORPHOSYNTACTIC', {}).get('error_message', f'Error in analysis: {str(e)}') - } - - -def format_analysis_results(analysis_result, t): - """ - Formatea los resultados del análisis para su visualización. - - Args: - analysis_result: Resultado del análisis morfosintáctico - t: Diccionario de traducciones - - Returns: - dict: Resultados formateados para visualización - """ - morpho_t = t.get('MORPHOSYNTACTIC', {}) - - if not analysis_result['success']: - return { - 'formatted_text': analysis_result['message'], - 'visualizations': None - } - - formatted_sections = [] - - # Formato para análisis POS - if 'pos_analysis' in analysis_result['analysis']: - pos_section = [f"### {morpho_t.get('pos_analysis', 'Part of Speech Analysis')}"] - for pos_item in analysis_result['analysis']['pos_analysis']: - pos_section.append( - f"- {morpho_t.get(pos_item['pos'], pos_item['pos'])}: " - f"{pos_item['count']} ({pos_item['percentage']}%)\n " - f"Ejemplos: {', '.join(pos_item['examples'])}" - ) - formatted_sections.append('\n'.join(pos_section)) - - # Agregar otras secciones de formato según sea necesario - - return { - 'formatted_text': '\n\n'.join(formatted_sections), - 'visualizations': analysis_result['visualizations'], - 'highlighted_text': analysis_result['highlighted_text'] - } - -# Re-exportar las funciones y constantes necesarias -__all__ = [ - 'process_morphosyntactic_input', - 'highlight_repeated_words', - 'generate_arc_diagram', - 'get_repeated_words_colors', - 'get_detailed_pos_analysis', - 'get_morphological_analysis', - 'get_sentence_structure_analysis', - 'perform_advanced_morphosyntactic_analysis', - 'POS_COLORS', - 'POS_TRANSLATIONS' +#modules/morphosyntax/morphosyntax_process.py +import streamlit as st + +from ..text_analysis.morpho_analysis import ( + get_repeated_words_colors, + highlight_repeated_words, + generate_arc_diagram, + get_detailed_pos_analysis, + get_morphological_analysis, + get_sentence_structure_analysis, + perform_advanced_morphosyntactic_analysis, + POS_COLORS, + POS_TRANSLATIONS +) + +from ..database.morphosintax_mongo_db import store_student_morphosyntax_result + +import logging +logger = logging.getLogger(__name__) + + +def process_morphosyntactic_input(text, lang_code, nlp_models, t): + """ + Procesa el texto ingresado para realizar el análisis morfosintáctico. + + Args: + text: Texto a analizar + lang_code: Código del idioma + nlp_models: Diccionario de modelos spaCy + t: Diccionario de traducciones + + Returns: + tuple: (análisis, visualizaciones, texto_resaltado, mensaje) + """ + try: + # Realizar el análisis morfosintáctico + doc = nlp_models[lang_code](text) + + # Obtener el análisis avanzado + analysis = perform_advanced_morphosyntactic_analysis(text, nlp_models[lang_code]) + + # Generar visualizaciones - AQUÍ ESTÁ EL CAMBIO + arc_diagrams = generate_arc_diagram(doc) # Quitamos lang_code + + # Obtener palabras repetidas y texto resaltado + word_colors = get_repeated_words_colors(doc) + highlighted_text = highlight_repeated_words(doc, word_colors) + + # Guardar el análisis en la base de datos + store_student_morphosyntax_result( + st.session_state.username, + text, + { + 'arc_diagrams': arc_diagrams, + 'pos_analysis': analysis['pos_analysis'], + 'morphological_analysis': analysis['morphological_analysis'], + 'sentence_structure': analysis['sentence_structure'] + } + ) + + return { + 'analysis': analysis, + 'visualizations': arc_diagrams, + 'highlighted_text': highlighted_text, + 'success': True, + 'message': t.get('MORPHOSYNTACTIC', {}).get('success_message', 'Analysis completed successfully') + } + + except Exception as e: + logger.error(f"Error en el análisis morfosintáctico: {str(e)}") + return { + 'analysis': None, + 'visualizations': None, + 'highlighted_text': None, + 'success': False, + 'message': t.get('MORPHOSYNTACTIC', {}).get('error_message', f'Error in analysis: {str(e)}') + } + + +def format_analysis_results(analysis_result, t): + """ + Formatea los resultados del análisis para su visualización. + + Args: + analysis_result: Resultado del análisis morfosintáctico + t: Diccionario de traducciones + + Returns: + dict: Resultados formateados para visualización + """ + morpho_t = t.get('MORPHOSYNTACTIC', {}) + + if not analysis_result['success']: + return { + 'formatted_text': analysis_result['message'], + 'visualizations': None + } + + formatted_sections = [] + + # Formato para análisis POS + if 'pos_analysis' in analysis_result['analysis']: + pos_section = [f"### {morpho_t.get('pos_analysis', 'Part of Speech Analysis')}"] + for pos_item in analysis_result['analysis']['pos_analysis']: + pos_section.append( + f"- {morpho_t.get(pos_item['pos'], pos_item['pos'])}: " + f"{pos_item['count']} ({pos_item['percentage']}%)\n " + f"Ejemplos: {', '.join(pos_item['examples'])}" + ) + formatted_sections.append('\n'.join(pos_section)) + + # Agregar otras secciones de formato según sea necesario + + return { + 'formatted_text': '\n\n'.join(formatted_sections), + 'visualizations': analysis_result['visualizations'], + 'highlighted_text': analysis_result['highlighted_text'] + } + +# Re-exportar las funciones y constantes necesarias +__all__ = [ + 'process_morphosyntactic_input', + 'highlight_repeated_words', + 'generate_arc_diagram', + 'get_repeated_words_colors', + 'get_detailed_pos_analysis', + 'get_morphological_analysis', + 'get_sentence_structure_analysis', + 'perform_advanced_morphosyntactic_analysis', + 'POS_COLORS', + 'POS_TRANSLATIONS' ] \ No newline at end of file diff --git a/modules/morphosyntax/morphosyntax_process_BackUp_Dec24_Ok.py b/modules/morphosyntax/morphosyntax_process_BackUp_Dec24_Ok.py index 96de1ecf8a22c337020ac1d71056d5f86c982e0d..407d29a66a20998b951d842619e354ee4dac803b 100644 --- a/modules/morphosyntax/morphosyntax_process_BackUp_Dec24_Ok.py +++ b/modules/morphosyntax/morphosyntax_process_BackUp_Dec24_Ok.py @@ -1,132 +1,132 @@ -#modules/morphosyntax/morphosyntax_process.py -import streamlit as st - -from ..text_analysis.morpho_analysis import ( - get_repeated_words_colors, - highlight_repeated_words, - generate_arc_diagram, - get_detailed_pos_analysis, - get_morphological_analysis, - get_sentence_structure_analysis, - perform_advanced_morphosyntactic_analysis, - POS_COLORS, - POS_TRANSLATIONS -) - -from ..database.morphosintax_mongo_db import store_student_morphosyntax_result - -import logging -logger = logging.getLogger(__name__) - - -def process_morphosyntactic_input(text, lang_code, nlp_models, t): - """ - Procesa el texto ingresado para realizar el análisis morfosintáctico. - - Args: - text: Texto a analizar - lang_code: Código del idioma - nlp_models: Diccionario de modelos spaCy - t: Diccionario de traducciones - - Returns: - tuple: (análisis, visualizaciones, texto_resaltado, mensaje) - """ - try: - # Realizar el análisis morfosintáctico - doc = nlp_models[lang_code](text) - - # Obtener el análisis avanzado - analysis = perform_advanced_morphosyntactic_analysis(text, nlp_models[lang_code]) - - # Generar visualizaciones - AQUÍ ESTÁ EL CAMBIO - arc_diagrams = generate_arc_diagram(doc) # Quitamos lang_code - - # Obtener palabras repetidas y texto resaltado - word_colors = get_repeated_words_colors(doc) - highlighted_text = highlight_repeated_words(doc, word_colors) - - # Guardar el análisis en la base de datos - store_student_morphosyntax_result( - st.session_state.username, - text, - { - 'arc_diagrams': arc_diagrams, - 'pos_analysis': analysis['pos_analysis'], - 'morphological_analysis': analysis['morphological_analysis'], - 'sentence_structure': analysis['sentence_structure'] - } - ) - - return { - 'analysis': analysis, - 'visualizations': arc_diagrams, - 'highlighted_text': highlighted_text, - 'success': True, - 'message': t.get('MORPHOSYNTACTIC', {}).get('success_message', 'Analysis completed successfully') - } - - except Exception as e: - logger.error(f"Error en el análisis morfosintáctico: {str(e)}") - return { - 'analysis': None, - 'visualizations': None, - 'highlighted_text': None, - 'success': False, - 'message': t.get('MORPHOSYNTACTIC', {}).get('error_message', f'Error in analysis: {str(e)}') - } - - -def format_analysis_results(analysis_result, t): - """ - Formatea los resultados del análisis para su visualización. - - Args: - analysis_result: Resultado del análisis morfosintáctico - t: Diccionario de traducciones - - Returns: - dict: Resultados formateados para visualización - """ - morpho_t = t.get('MORPHOSYNTACTIC', {}) - - if not analysis_result['success']: - return { - 'formatted_text': analysis_result['message'], - 'visualizations': None - } - - formatted_sections = [] - - # Formato para análisis POS - if 'pos_analysis' in analysis_result['analysis']: - pos_section = [f"### {morpho_t.get('pos_analysis', 'Part of Speech Analysis')}"] - for pos_item in analysis_result['analysis']['pos_analysis']: - pos_section.append( - f"- {morpho_t.get(pos_item['pos'], pos_item['pos'])}: " - f"{pos_item['count']} ({pos_item['percentage']}%)\n " - f"Ejemplos: {', '.join(pos_item['examples'])}" - ) - formatted_sections.append('\n'.join(pos_section)) - - # Agregar otras secciones de formato según sea necesario - - return { - 'formatted_text': '\n\n'.join(formatted_sections), - 'visualizations': analysis_result['visualizations'], - 'highlighted_text': analysis_result['highlighted_text'] - } - -# Re-exportar las funciones y constantes necesarias -__all__ = [ - 'process_morphosyntactic_input', - 'highlight_repeated_words', - 'generate_arc_diagram', - 'get_repeated_words_colors', - 'get_detailed_pos_analysis', - 'get_morphological_analysis', - 'get_sentence_structure_analysis', - 'perform_advanced_morphosyntactic_analysis', - 'POS_COLORS', - 'POS_TRANSLATIONS' +#modules/morphosyntax/morphosyntax_process.py +import streamlit as st + +from ..text_analysis.morpho_analysis import ( + get_repeated_words_colors, + highlight_repeated_words, + generate_arc_diagram, + get_detailed_pos_analysis, + get_morphological_analysis, + get_sentence_structure_analysis, + perform_advanced_morphosyntactic_analysis, + POS_COLORS, + POS_TRANSLATIONS +) + +from ..database.morphosintax_mongo_db import store_student_morphosyntax_result + +import logging +logger = logging.getLogger(__name__) + + +def process_morphosyntactic_input(text, lang_code, nlp_models, t): + """ + Procesa el texto ingresado para realizar el análisis morfosintáctico. + + Args: + text: Texto a analizar + lang_code: Código del idioma + nlp_models: Diccionario de modelos spaCy + t: Diccionario de traducciones + + Returns: + tuple: (análisis, visualizaciones, texto_resaltado, mensaje) + """ + try: + # Realizar el análisis morfosintáctico + doc = nlp_models[lang_code](text) + + # Obtener el análisis avanzado + analysis = perform_advanced_morphosyntactic_analysis(text, nlp_models[lang_code]) + + # Generar visualizaciones - AQUÍ ESTÁ EL CAMBIO + arc_diagrams = generate_arc_diagram(doc) # Quitamos lang_code + + # Obtener palabras repetidas y texto resaltado + word_colors = get_repeated_words_colors(doc) + highlighted_text = highlight_repeated_words(doc, word_colors) + + # Guardar el análisis en la base de datos + store_student_morphosyntax_result( + st.session_state.username, + text, + { + 'arc_diagrams': arc_diagrams, + 'pos_analysis': analysis['pos_analysis'], + 'morphological_analysis': analysis['morphological_analysis'], + 'sentence_structure': analysis['sentence_structure'] + } + ) + + return { + 'analysis': analysis, + 'visualizations': arc_diagrams, + 'highlighted_text': highlighted_text, + 'success': True, + 'message': t.get('MORPHOSYNTACTIC', {}).get('success_message', 'Analysis completed successfully') + } + + except Exception as e: + logger.error(f"Error en el análisis morfosintáctico: {str(e)}") + return { + 'analysis': None, + 'visualizations': None, + 'highlighted_text': None, + 'success': False, + 'message': t.get('MORPHOSYNTACTIC', {}).get('error_message', f'Error in analysis: {str(e)}') + } + + +def format_analysis_results(analysis_result, t): + """ + Formatea los resultados del análisis para su visualización. + + Args: + analysis_result: Resultado del análisis morfosintáctico + t: Diccionario de traducciones + + Returns: + dict: Resultados formateados para visualización + """ + morpho_t = t.get('MORPHOSYNTACTIC', {}) + + if not analysis_result['success']: + return { + 'formatted_text': analysis_result['message'], + 'visualizations': None + } + + formatted_sections = [] + + # Formato para análisis POS + if 'pos_analysis' in analysis_result['analysis']: + pos_section = [f"### {morpho_t.get('pos_analysis', 'Part of Speech Analysis')}"] + for pos_item in analysis_result['analysis']['pos_analysis']: + pos_section.append( + f"- {morpho_t.get(pos_item['pos'], pos_item['pos'])}: " + f"{pos_item['count']} ({pos_item['percentage']}%)\n " + f"Ejemplos: {', '.join(pos_item['examples'])}" + ) + formatted_sections.append('\n'.join(pos_section)) + + # Agregar otras secciones de formato según sea necesario + + return { + 'formatted_text': '\n\n'.join(formatted_sections), + 'visualizations': analysis_result['visualizations'], + 'highlighted_text': analysis_result['highlighted_text'] + } + +# Re-exportar las funciones y constantes necesarias +__all__ = [ + 'process_morphosyntactic_input', + 'highlight_repeated_words', + 'generate_arc_diagram', + 'get_repeated_words_colors', + 'get_detailed_pos_analysis', + 'get_morphological_analysis', + 'get_sentence_structure_analysis', + 'perform_advanced_morphosyntactic_analysis', + 'POS_COLORS', + 'POS_TRANSLATIONS' ] \ No newline at end of file diff --git a/modules/semantic/__init_.py b/modules/semantic/__init_.py index ed47a72049b5f4ebc52732b19076ad3acad3dcd6..ba6219c1088c717ac77136cb933347733d716a35 100644 --- a/modules/semantic/__init_.py +++ b/modules/semantic/__init_.py @@ -1,17 +1,17 @@ -# modules/semantic/__init_.py - -from .semantic_interface import ( - display_semantic_interface, - display_semantic_results -) -from .semantic_process import ( - process_semantic_input, - format_semantic_results -) - -__all__ = [ - 'display_semantic_interface', - 'display_semantic_results', - 'process_semantic_input', - 'format_semantic_results' +# modules/semantic/__init_.py + +from .semantic_interface import ( + display_semantic_interface, + display_semantic_results +) +from .semantic_process import ( + process_semantic_input, + format_semantic_results +) + +__all__ = [ + 'display_semantic_interface', + 'display_semantic_results', + 'process_semantic_input', + 'format_semantic_results' ] \ No newline at end of file diff --git a/modules/semantic/semantic_interface.py b/modules/semantic/semantic_interface.py index 73951da49fae428b57da578e0c95042ab7545735..2cf2fa0eea7a185fae34bccbdb88540b7e3e32cf 100644 --- a/modules/semantic/semantic_interface.py +++ b/modules/semantic/semantic_interface.py @@ -1,293 +1,296 @@ -#modules/semantic/semantic_interface.py -import streamlit as st -from streamlit_float import * -from streamlit_antd_components import * -from streamlit.components.v1 import html -import spacy_streamlit -import io -from io import BytesIO -import base64 -import matplotlib.pyplot as plt -import pandas as pd -import re -import logging - -# Configuración del logger -logger = logging.getLogger(__name__) - -# Importaciones locales -from .semantic_process import ( - process_semantic_input, - format_semantic_results -) - -from ..utils.widget_utils import generate_unique_key -from ..database.semantic_mongo_db import store_student_semantic_result -from ..database.chat_mongo_db import store_chat_history, get_chat_history - -# from ..database.semantic_export import export_user_interactions - - -############################### -def display_semantic_interface(lang_code, nlp_models, semantic_t): - """ - Interfaz para el análisis semántico - Args: - lang_code: Código del idioma actual - nlp_models: Modelos de spaCy cargados - semantic_t: Diccionario de traducciones semánticas - """ - try: - # 1. Inicializar el estado de la sesión - if 'semantic_state' not in st.session_state: - st.session_state.semantic_state = { - 'analysis_count': 0, - 'last_analysis': None, - 'current_file': None - } - - # 2. Área de carga de archivo con mensaje informativo - st.info(semantic_t.get('initial_instruction', - 'Para comenzar un nuevo análisis semántico, cargue un archivo de texto (.txt)')) - - uploaded_file = st.file_uploader( - semantic_t.get('semantic_file_uploader', 'Upload a text file for semantic analysis'), - type=['txt'], - key=f"semantic_file_uploader_{st.session_state.semantic_state['analysis_count']}" - ) - - # 3. Columnas para los botones y mensajes - col1, col2 = st.columns([1,4]) - - # 4. Botón de análisis - with col1: - analyze_button = st.button( - semantic_t.get('semantic_analyze_button', 'Analyze'), - key=f"semantic_analyze_button_{st.session_state.semantic_state['analysis_count']}", - type="primary", # Nuevo en Streamlit 1.39.0 - icon="🔍", # Nuevo en Streamlit 1.39.0 - disabled=uploaded_file is None, - use_container_width=True - ) - - # 5. Procesar análisis - if analyze_button and uploaded_file is not None: - try: - with st.spinner(semantic_t.get('processing', 'Processing...')): - # Leer contenido del archivo - text_content = uploaded_file.getvalue().decode('utf-8') - - # Realizar análisis - analysis_result = process_semantic_input( - text_content, - lang_code, - nlp_models, - semantic_t - ) - - if analysis_result['success']: - # Guardar resultado - st.session_state.semantic_result = analysis_result - st.session_state.semantic_state['analysis_count'] += 1 - st.session_state.semantic_state['current_file'] = uploaded_file.name - - # Guardar en base de datos - if store_student_semantic_result( - st.session_state.username, - text_content, - analysis_result['analysis'] - ): - st.success( - semantic_t.get('analysis_complete', - 'Análisis completado y guardado. Para realizar un nuevo análisis, cargue otro archivo.') - ) - - # Mostrar resultados - display_semantic_results( - st.session_state.semantic_result, - lang_code, - semantic_t - ) - else: - st.error(semantic_t.get('error_message', 'Error saving analysis')) - else: - st.error(analysis_result['message']) - - except Exception as e: - logger.error(f"Error en análisis semántico: {str(e)}") - st.error(semantic_t.get('error_processing', f'Error processing text: {str(e)}')) - - # 6. Mostrar resultados previos o mensaje inicial - elif 'semantic_result' in st.session_state and st.session_state.semantic_result is not None: - # Mostrar mensaje sobre el análisis actual - st.info( - semantic_t.get('current_analysis_message', - f'Mostrando análisis del archivo: {st.session_state.semantic_state["current_file"]}. ' - 'Para realizar un nuevo análisis, cargue otro archivo.') - ) - - display_semantic_results( - st.session_state.semantic_result, - lang_code, - semantic_t - ) - else: - st.info(semantic_t.get('upload_prompt', 'Cargue un archivo para comenzar el análisis')) - - except Exception as e: - logger.error(f"Error general en interfaz semántica: {str(e)}") - st.error(semantic_t.get('general_error', "Se produjo un error. Por favor, intente de nuevo.")) - -####################################### -def display_semantic_results(semantic_result, lang_code, semantic_t): - """ - Muestra los resultados del análisis semántico de conceptos clave. - """ - if semantic_result is None or not semantic_result['success']: - st.warning(semantic_t.get('no_results', 'No results available')) - return - - analysis = semantic_result['analysis'] - - # Mostrar conceptos clave en formato horizontal - st.subheader(semantic_t.get('key_concepts', 'Key Concepts')) - if 'key_concepts' in analysis and analysis['key_concepts']: - # Crear tabla de conceptos - df = pd.DataFrame( - analysis['key_concepts'], - columns=[ - semantic_t.get('concept', 'Concept'), - semantic_t.get('frequency', 'Frequency') - ] - ) - - # Convertir DataFrame a formato horizontal - st.write( - """ - -
- """ +
- ''.join([
- f'
",
- unsafe_allow_html=True
- )
- else:
- st.info(semantic_t.get('no_concepts', 'No key concepts found'))
-
- # Gráfico de conceptos
- st.subheader(semantic_t.get('concept_graph', 'Concepts Graph'))
- if 'concept_graph' in analysis and analysis['concept_graph'] is not None:
- try:
- # Container para el grafo con estilos mejorados
- st.markdown(
- """
-
- """,
- unsafe_allow_html=True
- )
-
- with st.container():
- st.markdown('{concept}'
- f'({freq:.2f})
'
- for concept, freq in df.values
- ]) +
- "', unsafe_allow_html=True)
-
- # Mostrar grafo
- graph_bytes = analysis['concept_graph']
- graph_base64 = base64.b64encode(graph_bytes).decode()
- st.markdown(
- f'
',
- unsafe_allow_html=True
- )
-
- # Leyenda del grafo
- st.caption(semantic_t.get(
- 'graph_description',
- 'Visualización de relaciones entre conceptos clave identificados en el texto.'
- ))
-
- st.markdown('
', unsafe_allow_html=True)
-
- # Contenedor para botones
- col1, col2 = st.columns([1,4])
- with col1:
- st.download_button(
- label="📥 " + semantic_t.get('download_graph', "Download"),
- data=graph_bytes,
- file_name="semantic_graph.png",
- mime="image/png",
- use_container_width=True
- )
-
- # Expandible con la interpretación
- with st.expander("📊 " + semantic_t.get('graph_help', "Graph Interpretation")):
- st.markdown("""
- - 🔀 Las flechas indican la dirección de la relación entre conceptos
- - 🎨 Los colores más intensos indican conceptos más centrales en el texto
- - ⭕ El tamaño de los nodos representa la frecuencia del concepto
- - ↔️ El grosor de las líneas indica la fuerza de la conexión
- """)
-
- except Exception as e:
- logger.error(f"Error displaying graph: {str(e)}")
- st.error(semantic_t.get('graph_error', 'Error displaying the graph'))
- else:
- st.info(semantic_t.get('no_graph', 'No concept graph available'))
-
-
-####################################################################################
-'''
- # Botón de exportación al final
- if 'semantic_analysis_counter' in st.session_state:
- col1, col2, col3 = st.columns([2,1,2])
- with col2:
- if st.button(
- semantic_t.get('export_button', 'Export Analysis'),
- key=f"semantic_export_{st.session_state.semantic_analysis_counter}",
- use_container_width=True
- ):
- pdf_buffer = export_user_interactions(st.session_state.username, 'semantic')
- st.download_button(
- label=semantic_t.get('download_pdf', 'Download PDF'),
- data=pdf_buffer,
- file_name="semantic_analysis.pdf",
- mime="application/pdf",
- key=f"semantic_download_{st.session_state.semantic_analysis_counter}"
- )
+#modules/semantic/semantic_interface.py
+import streamlit as st
+from streamlit_float import *
+from streamlit_antd_components import *
+from streamlit.components.v1 import html
+import spacy_streamlit
+import io
+from io import BytesIO
+import base64
+import matplotlib.pyplot as plt
+import pandas as pd
+import re
+import logging
+
+# Configuración del logger
+logger = logging.getLogger(__name__)
+
+# Importaciones locales
+from .semantic_process import (
+ process_semantic_input,
+ format_semantic_results
+)
+
+from ..utils.widget_utils import generate_unique_key
+from ..database.semantic_mongo_db import store_student_semantic_result
+from ..database.chat_mongo_db import store_chat_history, get_chat_history
+
+# from ..database.semantic_export import export_user_interactions
+
+
+###############################
+
+# En semantic_interface.py
+def display_semantic_interface(lang_code, nlp_models, semantic_t):
+ try:
+ # 1. Inicializar el estado de la sesión
+ if 'semantic_state' not in st.session_state:
+ st.session_state.semantic_state = {
+ 'analysis_count': 0,
+ 'last_analysis': None,
+ 'current_file': None,
+ 'pending_analysis': False # Nuevo flag para controlar el análisis pendiente
+ }
+
+ # 2. Área de carga de archivo con mensaje informativo
+ st.info(semantic_t.get('initial_instruction',
+ 'Para comenzar un nuevo análisis semántico, cargue un archivo de texto (.txt)'))
+
+ uploaded_file = st.file_uploader(
+ semantic_t.get('semantic_file_uploader', 'Upload a text file for semantic analysis'),
+ type=['txt'],
+ key=f"semantic_file_uploader_{st.session_state.semantic_state['analysis_count']}"
+ )
+
+ # Verificar si hay un archivo cargado y un análisis pendiente
+ if uploaded_file is not None and st.session_state.semantic_state.get('pending_analysis', False):
+ try:
+ with st.spinner(semantic_t.get('processing', 'Processing...')):
+ # Realizar análisis
+ text_content = uploaded_file.getvalue().decode('utf-8')
+
+ analysis_result = process_semantic_input(
+ text_content,
+ lang_code,
+ nlp_models,
+ semantic_t
+ )
+
+ if analysis_result['success']:
+ # Guardar resultado
+ st.session_state.semantic_result = analysis_result
+ st.session_state.semantic_state['analysis_count'] += 1
+ st.session_state.semantic_state['current_file'] = uploaded_file.name
+
+ # Guardar en base de datos
+ storage_success = store_student_semantic_result(
+ st.session_state.username,
+ text_content,
+ analysis_result['analysis']
+ )
+
+ if storage_success:
+ st.success(
+ semantic_t.get('analysis_complete',
+ 'Análisis completado y guardado. Para realizar un nuevo análisis, cargue otro archivo.')
+ )
+ else:
+ st.error(semantic_t.get('error_message', 'Error saving analysis'))
+ else:
+ st.error(analysis_result['message'])
+
+ # Restablecer el flag de análisis pendiente
+ st.session_state.semantic_state['pending_analysis'] = False
+
+ except Exception as e:
+ logger.error(f"Error en análisis semántico: {str(e)}")
+ st.error(semantic_t.get('error_processing', f'Error processing text: {str(e)}'))
+ # Restablecer el flag de análisis pendiente en caso de error
+ st.session_state.semantic_state['pending_analysis'] = False
+
+ # 3. Columnas para los botones y mensajes
+ col1, col2 = st.columns([1,4])
+
+ # 4. Botón de análisis
+ with col1:
+ analyze_button = st.button(
+ semantic_t.get('semantic_analyze_button', 'Analyze'),
+ key=f"semantic_analyze_button_{st.session_state.semantic_state['analysis_count']}",
+ type="primary",
+ icon="🔍",
+ disabled=uploaded_file is None,
+ use_container_width=True
+ )
+
+ # 5. Procesar análisis
+ if analyze_button and uploaded_file is not None:
+ # En lugar de realizar el análisis inmediatamente, establecer el flag
+ st.session_state.semantic_state['pending_analysis'] = True
+ # Forzar la recarga de la aplicación
+ st.rerun()
+
+ # 6. Mostrar resultados previos o mensaje inicial
+ elif 'semantic_result' in st.session_state and st.session_state.semantic_result is not None:
+ # Mostrar mensaje sobre el análisis actual
+ st.info(
+ semantic_t.get('current_analysis_message',
+ f'Mostrando análisis del archivo: {st.session_state.semantic_state["current_file"]}. '
+ 'Para realizar un nuevo análisis, cargue otro archivo.')
+ )
+
+ display_semantic_results(
+ st.session_state.semantic_result,
+ lang_code,
+ semantic_t
+ )
+ else:
+ st.info(semantic_t.get('upload_prompt', 'Cargue un archivo para comenzar el análisis'))
+
+ except Exception as e:
+ logger.error(f"Error general en interfaz semántica: {str(e)}")
+ st.error(semantic_t.get('general_error', "Se produjo un error. Por favor, intente de nuevo."))
+
+
+#######################################
+def display_semantic_results(semantic_result, lang_code, semantic_t):
+ """
+ Muestra los resultados del análisis semántico de conceptos clave.
+ """
+ if semantic_result is None or not semantic_result['success']:
+ st.warning(semantic_t.get('no_results', 'No results available'))
+ return
+
+ analysis = semantic_result['analysis']
+
+ # Mostrar conceptos clave en formato horizontal
+ st.subheader(semantic_t.get('key_concepts', 'Key Concepts'))
+ if 'key_concepts' in analysis and analysis['key_concepts']:
+ # Crear tabla de conceptos
+ df = pd.DataFrame(
+ analysis['key_concepts'],
+ columns=[
+ semantic_t.get('concept', 'Concept'),
+ semantic_t.get('frequency', 'Frequency')
+ ]
+ )
+
+ # Convertir DataFrame a formato horizontal
+ st.write(
+ """
+
+ ',
- unsafe_allow_html=True
- )
-
- # Leyenda del grafo
- st.caption(semantic_t.get(
- 'graph_description',
- 'Visualización de relaciones entre conceptos clave identificados en el texto.'
- ))
-
- st.markdown('
+ """ +
+ ''.join([
+ f'
",
+ unsafe_allow_html=True
+ )
+ else:
+ st.info(semantic_t.get('no_concepts', 'No key concepts found'))
+
+ # Gráfico de conceptos
+ st.subheader(semantic_t.get('concept_graph', 'Concepts Graph'))
+ if 'concept_graph' in analysis and analysis['concept_graph'] is not None:
+ try:
+ # Container para el grafo con estilos mejorados
+ st.markdown(
+ """
+
+ """,
+ unsafe_allow_html=True
+ )
+
+ with st.container():
+ st.markdown('{concept}'
+ f'({freq:.2f})
'
+ for concept, freq in df.values
+ ]) +
+ "', unsafe_allow_html=True)
+
+ # Mostrar grafo
+ graph_bytes = analysis['concept_graph']
+ graph_base64 = base64.b64encode(graph_bytes).decode()
+ st.markdown(
+ f'',
+ unsafe_allow_html=True
+ )
+
+ # Leyenda del grafo
+ st.caption(semantic_t.get(
+ 'graph_description',
+ 'Visualización de relaciones entre conceptos clave identificados en el texto.'
+ ))
+
+ st.markdown('
', unsafe_allow_html=True)
+
+ # Contenedor para botones
+ col1, col2 = st.columns([1,4])
+ with col1:
+ st.download_button(
+ label="📥 " + semantic_t.get('download_graph', "Download"),
+ data=graph_bytes,
+ file_name="semantic_graph.png",
+ mime="image/png",
+ use_container_width=True
+ )
+
+ # Expandible con la interpretación
+ with st.expander("📊 " + semantic_t.get('graph_help', "Graph Interpretation")):
+ st.markdown("""
+ - 🔀 Las flechas indican la dirección de la relación entre conceptos
+ - 🎨 Los colores más intensos indican conceptos más centrales en el texto
+ - ⭕ El tamaño de los nodos representa la frecuencia del concepto
+ - ↔️ El grosor de las líneas indica la fuerza de la conexión
+ """)
+
+ except Exception as e:
+ logger.error(f"Error displaying graph: {str(e)}")
+ st.error(semantic_t.get('graph_error', 'Error displaying the graph'))
+ else:
+ st.info(semantic_t.get('no_graph', 'No concept graph available'))
+
+
+########################################################################################
+'''
+ # Botón de exportación al final
+ if 'semantic_analysis_counter' in st.session_state:
+ col1, col2, col3 = st.columns([2,1,2])
+ with col2:
+ if st.button(
+ semantic_t.get('export_button', 'Export Analysis'),
+ key=f"semantic_export_{st.session_state.semantic_analysis_counter}",
+ use_container_width=True
+ ):
+ pdf_buffer = export_user_interactions(st.session_state.username, 'semantic')
+ st.download_button(
+ label=semantic_t.get('download_pdf', 'Download PDF'),
+ data=pdf_buffer,
+ file_name="semantic_analysis.pdf",
+ mime="application/pdf",
+ key=f"semantic_download_{st.session_state.semantic_analysis_counter}"
+ )
'''
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_1.py b/modules/semantic/semantic_interface_1.py
index 432858c935c551fef038a0d87eebc8602e139672..29c22b3d1f16b0574cd5ad4b2cbd12d188b19784 100644
--- a/modules/semantic/semantic_interface_1.py
+++ b/modules/semantic/semantic_interface_1.py
@@ -1,55 +1,55 @@
-import streamlit as st
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot
-from ..database.database_oldFromV2 import store_semantic_result
-from ..text_analysis.semantic_analysis import perform_semantic_analysis
-from ..utils.widget_utils import generate_unique_key
-
-def display_semantic_interface(lang_code, nlp_models, t):
- st.subheader(t['title'])
-
- # Inicializar el chatbot si no existe
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- # Sección para cargar archivo
- uploaded_file = st.file_uploader(t['file_uploader'], type=['txt', 'pdf', 'docx', 'doc', 'odt'])
- if uploaded_file:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- st.session_state.file_contents = file_contents
-
- # Mostrar el historial del chat
- chat_history = st.session_state.get('semantic_chat_history', [])
- for message in chat_history:
- with st.chat_message(message["role"]):
- st.write(message["content"])
- if "visualization" in message:
- st.pyplot(message["visualization"])
-
- # Input del usuario
- user_input = st.chat_input(t['semantic_initial_message'], key=generate_unique_key('semantic', st.session_state.username))
-
- if user_input:
- # Procesar el input del usuario
- response, visualization = process_semantic_analysis(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents'), t)
-
- # Actualizar el historial del chat
- chat_history.append({"role": "user", "content": user_input})
- chat_history.append({"role": "assistant", "content": response, "visualization": visualization})
- st.session_state.semantic_chat_history = chat_history
-
- # Mostrar el resultado más reciente
- with st.chat_message("assistant"):
- st.write(response)
- if visualization:
- st.pyplot(visualization)
-
- # Guardar el resultado en la base de datos si es un análisis
- if user_input.startswith('/analisis_semantico'):
- result = perform_semantic_analysis(st.session_state.file_contents, nlp_models[lang_code], lang_code)
- store_semantic_result(st.session_state.username, st.session_state.file_contents, result)
-
- # Botón para limpiar el historial del chat
- if st.button(t['clear_chat'], key=generate_unique_key('semantic', 'clear_chat')):
- st.session_state.semantic_chat_history = []
+import streamlit as st
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot
+from ..database.database_oldFromV2 import store_semantic_result
+from ..text_analysis.semantic_analysis import perform_semantic_analysis
+from ..utils.widget_utils import generate_unique_key
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ st.subheader(t['title'])
+
+ # Inicializar el chatbot si no existe
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ # Sección para cargar archivo
+ uploaded_file = st.file_uploader(t['file_uploader'], type=['txt', 'pdf', 'docx', 'doc', 'odt'])
+ if uploaded_file:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ st.session_state.file_contents = file_contents
+
+ # Mostrar el historial del chat
+ chat_history = st.session_state.get('semantic_chat_history', [])
+ for message in chat_history:
+ with st.chat_message(message["role"]):
+ st.write(message["content"])
+ if "visualization" in message:
+ st.pyplot(message["visualization"])
+
+ # Input del usuario
+ user_input = st.chat_input(t['semantic_initial_message'], key=generate_unique_key('semantic', st.session_state.username))
+
+ if user_input:
+ # Procesar el input del usuario
+ response, visualization = process_semantic_analysis(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents'), t)
+
+ # Actualizar el historial del chat
+ chat_history.append({"role": "user", "content": user_input})
+ chat_history.append({"role": "assistant", "content": response, "visualization": visualization})
+ st.session_state.semantic_chat_history = chat_history
+
+ # Mostrar el resultado más reciente
+ with st.chat_message("assistant"):
+ st.write(response)
+ if visualization:
+ st.pyplot(visualization)
+
+ # Guardar el resultado en la base de datos si es un análisis
+ if user_input.startswith('/analisis_semantico'):
+ result = perform_semantic_analysis(st.session_state.file_contents, nlp_models[lang_code], lang_code)
+ store_semantic_result(st.session_state.username, st.session_state.file_contents, result)
+
+ # Botón para limpiar el historial del chat
+ if st.button(t['clear_chat'], key=generate_unique_key('semantic', 'clear_chat')):
+ st.session_state.semantic_chat_history = []
st.rerun()
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_2.py b/modules/semantic/semantic_interface_2.py
index 351f0319ae784b409a289b112c79caac25a3fbc3..9b24e101d56541b3f533183b78dceda8f961880c 100644
--- a/modules/semantic/semantic_interface_2.py
+++ b/modules/semantic/semantic_interface_2.py
@@ -1,167 +1,167 @@
-import streamlit as st
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- #st.set_page_config(layout="wide")
-
- # Estilo CSS personalizado
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- # Inicializar el chatbot si no existe
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- # Contenedor para la gestión de archivos
- with st.container():
- st.markdown('',
+ unsafe_allow_html=True
+ )
+
+ # Leyenda del grafo
+ st.caption(semantic_t.get(
+ 'graph_description',
+ 'Visualización de relaciones entre conceptos clave identificados en el texto.'
+ ))
+
+ st.markdown('', unsafe_allow_html=True)
- col1, col2, col3, col4 = st.columns(4)
-
- with col1:
- if st.button(get_translation(t, 'upload_file', 'Upload File'), key=generate_unique_key('semantic', 'upload_button')):
- uploaded_file = st.file_uploader(get_translation(t, 'file_uploader', 'Choose a file'), type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(get_translation(t, 'file_uploaded_success', 'File uploaded and saved to database successfully'))
- st.session_state.file_contents = file_contents
- st.rerun()
- else:
- st.error(get_translation(t, 'file_upload_error', 'Error uploading file'))
-
- with col2:
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_file', 'Select a file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox(get_translation(t, 'file_list', 'File List'), options=file_options, key=generate_unique_key('semantic', 'file_selector'))
- if selected_file != get_translation(t, 'select_file', 'Select a file'):
- if st.button(get_translation(t, 'load_file', 'Load File'), key=generate_unique_key('semantic', 'load_file')):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- st.success(get_translation(t, 'file_loaded_success', 'File loaded successfully'))
- else:
- st.error(get_translation(t, 'file_load_error', 'Error loading file'))
-
- with col3:
- if st.button(get_translation(t, 'analyze_document', 'Analyze Document'), key=generate_unique_key('semantic', 'analyze_document')):
- if 'file_contents' in st.session_state:
- with st.spinner(get_translation(t, 'analyzing', 'Analyzing...')):
- graph, key_concepts = process_semantic_analysis(st.session_state.file_contents, nlp_models[lang_code], lang_code)
- st.session_state.graph = graph
- st.session_state.key_concepts = key_concepts
- st.success(get_translation(t, 'analysis_completed', 'Analysis completed'))
- else:
- st.error(get_translation(t, 'no_file_uploaded', 'No file uploaded'))
-
- with col4:
- if st.button(get_translation(t, 'delete_file', 'Delete File'), key=generate_unique_key('semantic', 'delete_file')):
- if selected_file and selected_file != get_translation(t, 'select_file', 'Select a file'):
- if delete_file(st.session_state.username, selected_file, 'semantic'):
- st.success(get_translation(t, 'file_deleted_success', 'File deleted successfully'))
- if 'file_contents' in st.session_state:
- del st.session_state.file_contents
- st.rerun()
- else:
- st.error(get_translation(t, 'file_delete_error', 'Error deleting file'))
- else:
- st.error(get_translation(t, 'no_file_selected', 'No file selected'))
-
- st.markdown('
', unsafe_allow_html=True)
-
- # Crear dos columnas: una para el chat y otra para la visualización
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- st.subheader(get_translation(t, 'chat_title', 'Semantic Analysis Chat'))
- # Chat interface
- chat_container = st.container()
-
- with chat_container:
- # Mostrar el historial del chat
- chat_history = st.session_state.get('semantic_chat_history', [])
- for message in chat_history:
- with st.chat_message(message["role"]):
- st.write(message["content"])
-
- # Input del usuario
- user_input = st.chat_input(get_translation(t, 'semantic_chat_input', 'Type your message here...'), key=generate_unique_key('semantic', 'chat_input'))
-
- if user_input:
- # Añadir el mensaje del usuario al historial
- chat_history.append({"role": "user", "content": user_input})
-
- # Generar respuesta del chatbot
- chatbot = st.session_state.semantic_chatbot
- response = chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents'))
-
- # Añadir la respuesta del chatbot al historial
- chat_history.append({"role": "assistant", "content": response})
-
- # Actualizar el historial en session_state
- st.session_state.semantic_chat_history = chat_history
-
- # Forzar la actualización de la interfaz
- st.rerun()
-
- with col_graph:
- st.subheader(get_translation(t, 'graph_title', 'Semantic Graph'))
-
- # Mostrar conceptos clave en un expander horizontal
- with st.expander(get_translation(t, 'key_concepts_title', 'Key Concepts'), expanded=True):
- if 'key_concepts' in st.session_state:
- st.markdown('', unsafe_allow_html=True)
- for concept, freq in st.session_state.key_concepts:
- st.markdown(f'{concept}: {freq:.2f}', unsafe_allow_html=True)
- st.markdown('
', unsafe_allow_html=True)
-
- if 'graph' in st.session_state:
- st.pyplot(st.session_state.graph)
-
- # Botón para limpiar el historial del chat
- if st.button(get_translation(t, 'clear_chat', 'Clear chat'), key=generate_unique_key('semantic', 'clear_chat')):
- st.session_state.semantic_chat_history = []
+import streamlit as st
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ #st.set_page_config(layout="wide")
+
+ # Estilo CSS personalizado
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ # Inicializar el chatbot si no existe
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ # Contenedor para la gestión de archivos
+ with st.container():
+ st.markdown('', unsafe_allow_html=True)
+ col1, col2, col3, col4 = st.columns(4)
+
+ with col1:
+ if st.button(get_translation(t, 'upload_file', 'Upload File'), key=generate_unique_key('semantic', 'upload_button')):
+ uploaded_file = st.file_uploader(get_translation(t, 'file_uploader', 'Choose a file'), type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(get_translation(t, 'file_uploaded_success', 'File uploaded and saved to database successfully'))
+ st.session_state.file_contents = file_contents
+ st.rerun()
+ else:
+ st.error(get_translation(t, 'file_upload_error', 'Error uploading file'))
+
+ with col2:
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_file', 'Select a file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox(get_translation(t, 'file_list', 'File List'), options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+ if selected_file != get_translation(t, 'select_file', 'Select a file'):
+ if st.button(get_translation(t, 'load_file', 'Load File'), key=generate_unique_key('semantic', 'load_file')):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ st.success(get_translation(t, 'file_loaded_success', 'File loaded successfully'))
+ else:
+ st.error(get_translation(t, 'file_load_error', 'Error loading file'))
+
+ with col3:
+ if st.button(get_translation(t, 'analyze_document', 'Analyze Document'), key=generate_unique_key('semantic', 'analyze_document')):
+ if 'file_contents' in st.session_state:
+ with st.spinner(get_translation(t, 'analyzing', 'Analyzing...')):
+ graph, key_concepts = process_semantic_analysis(st.session_state.file_contents, nlp_models[lang_code], lang_code)
+ st.session_state.graph = graph
+ st.session_state.key_concepts = key_concepts
+ st.success(get_translation(t, 'analysis_completed', 'Analysis completed'))
+ else:
+ st.error(get_translation(t, 'no_file_uploaded', 'No file uploaded'))
+
+ with col4:
+ if st.button(get_translation(t, 'delete_file', 'Delete File'), key=generate_unique_key('semantic', 'delete_file')):
+ if selected_file and selected_file != get_translation(t, 'select_file', 'Select a file'):
+ if delete_file(st.session_state.username, selected_file, 'semantic'):
+ st.success(get_translation(t, 'file_deleted_success', 'File deleted successfully'))
+ if 'file_contents' in st.session_state:
+ del st.session_state.file_contents
+ st.rerun()
+ else:
+ st.error(get_translation(t, 'file_delete_error', 'Error deleting file'))
+ else:
+ st.error(get_translation(t, 'no_file_selected', 'No file selected'))
+
+ st.markdown('
', unsafe_allow_html=True)
+
+ # Crear dos columnas: una para el chat y otra para la visualización
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ st.subheader(get_translation(t, 'chat_title', 'Semantic Analysis Chat'))
+ # Chat interface
+ chat_container = st.container()
+
+ with chat_container:
+ # Mostrar el historial del chat
+ chat_history = st.session_state.get('semantic_chat_history', [])
+ for message in chat_history:
+ with st.chat_message(message["role"]):
+ st.write(message["content"])
+
+ # Input del usuario
+ user_input = st.chat_input(get_translation(t, 'semantic_chat_input', 'Type your message here...'), key=generate_unique_key('semantic', 'chat_input'))
+
+ if user_input:
+ # Añadir el mensaje del usuario al historial
+ chat_history.append({"role": "user", "content": user_input})
+
+ # Generar respuesta del chatbot
+ chatbot = st.session_state.semantic_chatbot
+ response = chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents'))
+
+ # Añadir la respuesta del chatbot al historial
+ chat_history.append({"role": "assistant", "content": response})
+
+ # Actualizar el historial en session_state
+ st.session_state.semantic_chat_history = chat_history
+
+ # Forzar la actualización de la interfaz
+ st.rerun()
+
+ with col_graph:
+ st.subheader(get_translation(t, 'graph_title', 'Semantic Graph'))
+
+ # Mostrar conceptos clave en un expander horizontal
+ with st.expander(get_translation(t, 'key_concepts_title', 'Key Concepts'), expanded=True):
+ if 'key_concepts' in st.session_state:
+ st.markdown('', unsafe_allow_html=True)
+ for concept, freq in st.session_state.key_concepts:
+ st.markdown(f'{concept}: {freq:.2f}', unsafe_allow_html=True)
+ st.markdown('
', unsafe_allow_html=True)
+
+ if 'graph' in st.session_state:
+ st.pyplot(st.session_state.graph)
+
+ # Botón para limpiar el historial del chat
+ if st.button(get_translation(t, 'clear_chat', 'Clear chat'), key=generate_unique_key('semantic', 'clear_chat')):
+ st.session_state.semantic_chat_history = []
st.rerun()
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_3.py b/modules/semantic/semantic_interface_3.py
index a0f4b7392ea4e041d6885d07aa76e8209c6d03a9..b42b4101804f09c8cf78d9458a9c4ad20f2ece4d 100644
--- a/modules/semantic/semantic_interface_3.py
+++ b/modules/semantic/semantic_interface_3.py
@@ -1,182 +1,182 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- # Contenedor para la gestión de archivos
- with st.container():
- st.markdown('', unsafe_allow_html=True)
- col1, col2, col3, col4 = st.columns(4)
-
- with col1:
- uploaded_file = st.file_uploader(get_translation(t, 'upload_file', 'Upload File'), type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.session_state.file_contents = file_contents
- st.success(get_translation(t, 'file_uploaded_success', 'File uploaded and saved successfully'))
- st.rerun()
- else:
- st.error(get_translation(t, 'file_upload_error', 'Error uploading file'))
-
- with col2:
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- st.success(get_translation(t, 'file_loaded_success', 'File loaded successfully'))
- else:
- st.error(get_translation(t, 'file_load_error', 'Error loading file'))
-
- with col3:
- if st.button(get_translation(t, 'analyze_document', 'Analyze Document'), key=generate_unique_key('semantic', 'analyze_document')):
- if 'file_contents' in st.session_state:
- with st.spinner(get_translation(t, 'analyzing', 'Analyzing...')):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(st.session_state.file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success(get_translation(t, 'analysis_completed', 'Analysis completed'))
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error(get_translation(t, 'no_file_uploaded', 'No file uploaded'))
-
- with col4:
- if st.button(get_translation(t, 'delete_file', 'Delete File'), key=generate_unique_key('semantic', 'delete_file')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- if delete_file(st.session_state.username, selected_file, 'semantic'):
- st.success(get_translation(t, 'file_deleted_success', 'File deleted successfully'))
- if 'file_contents' in st.session_state:
- del st.session_state.file_contents
- st.rerun()
- else:
- st.error(get_translation(t, 'file_delete_error', 'Error deleting file'))
- else:
- st.error(get_translation(t, 'no_file_selected', 'No file selected'))
-
- st.markdown('
', unsafe_allow_html=True)
-
- # Contenedor para la sección de análisis
- st.markdown('', unsafe_allow_html=True)
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- st.subheader(get_translation(t, 'chat_title', 'Semantic Analysis Chat'))
- chat_container = st.container()
-
- with chat_container:
- chat_history = st.session_state.get('semantic_chat_history', [])
- for message in chat_history:
- with st.chat_message(message["role"]):
- st.write(message["content"])
-
- user_input = st.chat_input(get_translation(t, 'semantic_chat_input', 'Type your message here...'), key=generate_unique_key('semantic', 'chat_input'))
-
- if user_input:
- chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code)
-
- chat_history.append({"role": "assistant", "content": response})
- st.session_state.semantic_chat_history = chat_history
-
- with col_graph:
- st.subheader(get_translation(t, 'graph_title', 'Semantic Graphs'))
-
- # Mostrar conceptos clave y entidades horizontalmente
- if 'key_concepts' in st.session_state:
- st.write(get_translation(t, 'key_concepts_title', 'Key Concepts'))
- st.markdown('
', unsafe_allow_html=True)
-
- if st.button(get_translation(t, 'clear_chat', 'Clear chat'), key=generate_unique_key('semantic', 'clear_chat')):
- st.session_state.semantic_chat_history = []
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ # Contenedor para la gestión de archivos
+ with st.container():
+ st.markdown('', unsafe_allow_html=True)
- for concept, freq in st.session_state.key_concepts:
- st.markdown(f'{concept}: {freq:.2f}', unsafe_allow_html=True)
- st.markdown('
', unsafe_allow_html=True)
-
- if 'entities' in st.session_state:
- st.write(get_translation(t, 'entities_title', 'Entities'))
- st.markdown('', unsafe_allow_html=True)
- for entity, type in st.session_state.entities.items():
- st.markdown(f'{entity}: {type}', unsafe_allow_html=True)
- st.markdown('
', unsafe_allow_html=True)
-
- # Usar pestañas para mostrar los gráficos
- tab1, tab2 = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab1:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
-
- with tab2:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
-
- st.markdown('', unsafe_allow_html=True)
+ col1, col2, col3, col4 = st.columns(4)
+
+ with col1:
+ uploaded_file = st.file_uploader(get_translation(t, 'upload_file', 'Upload File'), type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.session_state.file_contents = file_contents
+ st.success(get_translation(t, 'file_uploaded_success', 'File uploaded and saved successfully'))
+ st.rerun()
+ else:
+ st.error(get_translation(t, 'file_upload_error', 'Error uploading file'))
+
+ with col2:
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ st.success(get_translation(t, 'file_loaded_success', 'File loaded successfully'))
+ else:
+ st.error(get_translation(t, 'file_load_error', 'Error loading file'))
+
+ with col3:
+ if st.button(get_translation(t, 'analyze_document', 'Analyze Document'), key=generate_unique_key('semantic', 'analyze_document')):
+ if 'file_contents' in st.session_state:
+ with st.spinner(get_translation(t, 'analyzing', 'Analyzing...')):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(st.session_state.file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success(get_translation(t, 'analysis_completed', 'Analysis completed'))
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error(get_translation(t, 'no_file_uploaded', 'No file uploaded'))
+
+ with col4:
+ if st.button(get_translation(t, 'delete_file', 'Delete File'), key=generate_unique_key('semantic', 'delete_file')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ if delete_file(st.session_state.username, selected_file, 'semantic'):
+ st.success(get_translation(t, 'file_deleted_success', 'File deleted successfully'))
+ if 'file_contents' in st.session_state:
+ del st.session_state.file_contents
+ st.rerun()
+ else:
+ st.error(get_translation(t, 'file_delete_error', 'Error deleting file'))
+ else:
+ st.error(get_translation(t, 'no_file_selected', 'No file selected'))
+
+ st.markdown('
', unsafe_allow_html=True)
+
+ # Contenedor para la sección de análisis
+ st.markdown('', unsafe_allow_html=True)
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ st.subheader(get_translation(t, 'chat_title', 'Semantic Analysis Chat'))
+ chat_container = st.container()
+
+ with chat_container:
+ chat_history = st.session_state.get('semantic_chat_history', [])
+ for message in chat_history:
+ with st.chat_message(message["role"]):
+ st.write(message["content"])
+
+ user_input = st.chat_input(get_translation(t, 'semantic_chat_input', 'Type your message here...'), key=generate_unique_key('semantic', 'chat_input'))
+
+ if user_input:
+ chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code)
+
+ chat_history.append({"role": "assistant", "content": response})
+ st.session_state.semantic_chat_history = chat_history
+
+ with col_graph:
+ st.subheader(get_translation(t, 'graph_title', 'Semantic Graphs'))
+
+ # Mostrar conceptos clave y entidades horizontalmente
+ if 'key_concepts' in st.session_state:
+ st.write(get_translation(t, 'key_concepts_title', 'Key Concepts'))
+ st.markdown('
', unsafe_allow_html=True)
+
+ if st.button(get_translation(t, 'clear_chat', 'Clear chat'), key=generate_unique_key('semantic', 'clear_chat')):
+ st.session_state.semantic_chat_history = []
st.rerun()
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_4.py b/modules/semantic/semantic_interface_4.py
index e984b533ef5c21debf78bf317456523ffa13928a..fab61a80830dc404e0c3d7694f93803f900061b5 100644
--- a/modules/semantic/semantic_interface_4.py
+++ b/modules/semantic/semantic_interface_4.py
@@ -1,188 +1,188 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- st.subheader("Chat with AI")
- st.markdown('', unsafe_allow_html=True)
+ for concept, freq in st.session_state.key_concepts:
+ st.markdown(f'{concept}: {freq:.2f}', unsafe_allow_html=True)
+ st.markdown('
', unsafe_allow_html=True)
+
+ if 'entities' in st.session_state:
+ st.write(get_translation(t, 'entities_title', 'Entities'))
+ st.markdown('', unsafe_allow_html=True)
+ for entity, type in st.session_state.entities.items():
+ st.markdown(f'{entity}: {type}', unsafe_allow_html=True)
+ st.markdown('
', unsafe_allow_html=True)
+
+ # Usar pestañas para mostrar los gráficos
+ tab1, tab2 = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab1:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+
+ with tab2:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+
+ st.markdown('', unsafe_allow_html=True)
- chat_history = st.session_state.get('semantic_chat_history', [])
- for message in chat_history:
- with st.chat_message(message["role"]):
- st.write(message["content"])
- st.markdown('
', unsafe_allow_html=True)
-
- user_input = st.chat_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
-
- if user_input:
- chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code)
-
- chat_history.append({"role": "assistant", "content": response})
- st.session_state.semantic_chat_history = chat_history
-
- if st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat')):
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- st.markdown('', unsafe_allow_html=True)
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
- else:
- st.info("No entity graph available. Please analyze a document first.")
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ st.subheader("Chat with AI")
+ st.markdown('
- """)
-
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- st.session_state.concept_graph = None
- st.session_state.entity_graph = None
- st.session_state.key_concepts = []
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- with st.expander("Chat with AI", expanded=True):
- chat_container = st.container()
-
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state and st.session_state.concept_graph:
- st.image(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state and st.session_state.entity_graph:
- st.image(st.session_state.entity_graph)
- else:
- st.info("No entity graph available. Please analyze a document first.")
-
- # Botón para cerrar el grafo flotante
- if st.button("Close Graph", key="close_graph"):
- if 'graph_id' in st.session_state:
- toggle_float_visibility(st.session_state.graph_id, False)
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
+
+logger = logging.getLogger(__name__)
+semantic_float_init()
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document"):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+
+ # Crear el grafo flotante
+ if 'graph_id' not in st.session_state:
+ st.session_state.graph_id = float_graph(
+ content="
+ """)
+
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ st.session_state.concept_graph = None
+ st.session_state.entity_graph = None
+ st.session_state.key_concepts = []
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ with st.expander("Chat with AI", expanded=True):
+ chat_container = st.container()
+
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state and st.session_state.concept_graph:
+ st.image(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state and st.session_state.entity_graph:
+ st.image(st.session_state.entity_graph)
+ else:
+ st.info("No entity graph available. Please analyze a document first.")
+
+ # Botón para cerrar el grafo flotante
+ if st.button("Close Graph", key="close_graph"):
+ if 'graph_id' in st.session_state:
+ toggle_float_visibility(st.session_state.graph_id, False)
del st.session_state.graph_id
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_6_Ok-23-9-24.py b/modules/semantic/semantic_interface_6_Ok-23-9-24.py
index bcefdcf92a7c7f4f828d3ca74a88cd0132c3c27a..c56fcc1da26f832d7e3e5037453ed17469943284 100644
--- a/modules/semantic/semantic_interface_6_Ok-23-9-24.py
+++ b/modules/semantic/semantic_interface_6_Ok-23-9-24.py
@@ -1,223 +1,223 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
-
-logger = logging.getLogger(__name__)
-semantic_float_init()
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document"):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
-
- # Crear el grafo flotante
- if 'graph_id' not in st.session_state:
- st.session_state.graph_id = float_graph(
- content="
- """)
-
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- st.session_state.concept_graph = None
- st.session_state.entity_graph = None
- st.session_state.key_concepts = []
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- with st.expander("Chat with AI", expanded=True):
- chat_container = st.container()
-
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state and st.session_state.concept_graph:
- st.image(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state and st.session_state.entity_graph:
- st.image(st.session_state.entity_graph)
- else:
- st.info("No entity graph available. Please analyze a document first.")
-
- # Botón para cerrar el grafo flotante
- if st.button("Close Graph", key="close_graph"):
- if 'graph_id' in st.session_state:
- toggle_float_visibility(st.session_state.graph_id, False)
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
+
+logger = logging.getLogger(__name__)
+semantic_float_init()
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document"):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+
+ # Crear el grafo flotante
+ if 'graph_id' not in st.session_state:
+ st.session_state.graph_id = float_graph(
+ content="
+ """)
+
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ st.session_state.concept_graph = None
+ st.session_state.entity_graph = None
+ st.session_state.key_concepts = []
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ with st.expander("Chat with AI", expanded=True):
+ chat_container = st.container()
+
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state and st.session_state.concept_graph:
+ st.image(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state and st.session_state.entity_graph:
+ st.image(st.session_state.entity_graph)
+ else:
+ st.info("No entity graph available. Please analyze a document first.")
+
+ # Botón para cerrar el grafo flotante
+ if st.button("Close Graph", key="close_graph"):
+ if 'graph_id' in st.session_state:
+ toggle_float_visibility(st.session_state.graph_id, False)
del st.session_state.graph_id
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_6_StarPoint.py b/modules/semantic/semantic_interface_6_StarPoint.py
index b251f023c01e4c0d042605a5a97477c2269670e9..128c21dd4422f723c9b35a7484ab0b2af79f69d2 100644
--- a/modules/semantic/semantic_interface_6_StarPoint.py
+++ b/modules/semantic/semantic_interface_6_StarPoint.py
@@ -1,196 +1,196 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- with st.expander("Chat with AI", expanded=True):
- chat_container = st.container()
-
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
-
- col1, col2 = st.columns([3, 1])
-
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
- else:
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ with st.expander("Chat with AI", expanded=True):
+ chat_container = st.container()
+
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+
+ col1, col2 = st.columns([3, 1])
+
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+ else:
st.info("No entity graph available. Please analyze a document first.")
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_7.py b/modules/semantic/semantic_interface_7.py
index 650182ceb40ce32885615517efeb32786009d996..26893a836e36378aad6d6fbc4a259bb7a9126b22 100644
--- a/modules/semantic/semantic_interface_7.py
+++ b/modules/semantic/semantic_interface_7.py
@@ -1,201 +1,201 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- st.subheader("Chat with AI")
-
- chat_container = st.container()
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
- else:
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ st.subheader("Chat with AI")
+
+ chat_container = st.container()
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+ else:
st.info("No entity graph available. Please analyze a document first.")
\ No newline at end of file
diff --git a/modules/semantic/semantic_live_interface.py b/modules/semantic/semantic_live_interface.py
index a6b409a4e43720c5fb99d1aa61126529e1efeabc..d4251d304deda779ea88a7d1a8c784317b58db31 100644
--- a/modules/semantic/semantic_live_interface.py
+++ b/modules/semantic/semantic_live_interface.py
@@ -1,197 +1,197 @@
-# modules/semantic/semantic_live_interface.py
-import streamlit as st
-from streamlit_float import *
-from streamlit_antd_components import *
-import pandas as pd
-import logging
-
-# Configuración del logger
-logger = logging.getLogger(__name__)
-
-# Importaciones locales
-from .semantic_process import (
- process_semantic_input,
- format_semantic_results
-)
-
-from ..utils.widget_utils import generate_unique_key
-from ..database.semantic_mongo_db import store_student_semantic_result
-from ..database.chat_mongo_db import store_chat_history, get_chat_history
-
-def display_semantic_live_interface(lang_code, nlp_models, semantic_t):
- """
- Interfaz para el análisis semántico en vivo con proporciones de columna ajustadas
- """
- try:
- # 1. Inicializar el estado de la sesión de manera más robusta
- if 'semantic_live_state' not in st.session_state:
- st.session_state.semantic_live_state = {
- 'analysis_count': 0,
- 'current_text': '',
- 'last_result': None,
- 'text_changed': False
- }
-
- # 2. Función para manejar cambios en el texto
- def on_text_change():
- current_text = st.session_state.semantic_live_text
- st.session_state.semantic_live_state['current_text'] = current_text
- st.session_state.semantic_live_state['text_changed'] = True
-
- # 3. Crear columnas con nueva proporción (1:3)
- input_col, result_col = st.columns([1, 3])
-
- # Columna izquierda: Entrada de texto
- with input_col:
- st.subheader(semantic_t.get('enter_text', 'Ingrese su texto'))
-
- # Área de texto con manejo de eventos
- text_input = st.text_area(
- semantic_t.get('text_input_label', 'Escriba o pegue su texto aquí'),
- height=500,
- key="semantic_live_text",
- value=st.session_state.semantic_live_state.get('current_text', ''),
- on_change=on_text_change,
- label_visibility="collapsed" # Oculta el label para mayor estabilidad
- )
-
- # Botón de análisis y procesamiento
- analyze_button = st.button(
- semantic_t.get('analyze_button', 'Analizar'),
- key="semantic_live_analyze",
- type="primary",
- icon="🔍",
- disabled=not text_input,
- use_container_width=True
- )
-
- if analyze_button and text_input:
- try:
- with st.spinner(semantic_t.get('processing', 'Procesando...')):
- analysis_result = process_semantic_input(
- text_input,
- lang_code,
- nlp_models,
- semantic_t
- )
-
- if analysis_result['success']:
- st.session_state.semantic_live_state['last_result'] = analysis_result
- st.session_state.semantic_live_state['analysis_count'] += 1
- st.session_state.semantic_live_state['text_changed'] = False
-
- store_student_semantic_result(
- st.session_state.username,
- text_input,
- analysis_result['analysis']
- )
- else:
- st.error(analysis_result.get('message', 'Error en el análisis'))
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(semantic_t.get('error_processing', 'Error al procesar el texto'))
-
- # Columna derecha: Visualización de resultados
- with result_col:
- st.subheader(semantic_t.get('live_results', 'Resultados en vivo'))
-
- if 'last_result' in st.session_state.semantic_live_state and \
- st.session_state.semantic_live_state['last_result'] is not None:
-
- analysis = st.session_state.semantic_live_state['last_result']['analysis']
-
- if 'key_concepts' in analysis and analysis['key_concepts'] and \
- 'concept_graph' in analysis and analysis['concept_graph'] is not None:
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- with st.container():
- # Conceptos en una sola línea
- concepts_html = """
- 
'
-
-
-
-def identify_key_concepts(doc, min_freq=2, min_length=3):
- """
- Identifica conceptos clave en el texto.
- Args:
- doc: Documento procesado por spaCy
- min_freq: Frecuencia mínima para considerar un concepto
- min_length: Longitud mínima de palabra para considerar
- Returns:
- list: Lista de tuplas (concepto, frecuencia)
- """
- try:
- # Obtener stopwords para el idioma
- stopwords = get_stopwords(doc.lang_)
-
- # Contar frecuencias de palabras
- word_freq = Counter()
-
- for token in doc:
- if (token.lemma_.lower() not in stopwords and
- len(token.lemma_) >= min_length and
- token.is_alpha and
- not token.is_punct and
- not token.like_num):
-
- word_freq[token.lemma_.lower()] += 1
-
- # Filtrar por frecuencia mínima
- concepts = [(word, freq) for word, freq in word_freq.items()
- if freq >= min_freq]
-
- # Ordenar por frecuencia
- concepts.sort(key=lambda x: x[1], reverse=True)
-
- return concepts[:10] # Retornar los 10 conceptos más frecuentes
-
- except Exception as e:
- logger.error(f"Error en identify_key_concepts: {str(e)}")
- return [] # Retornar lista vacía en caso de error
-
-
-def create_concept_graph(doc, key_concepts):
- """
- Crea un grafo de relaciones entre conceptos.
- Args:
- doc: Documento procesado por spaCy
- key_concepts: Lista de tuplas (concepto, frecuencia)
- Returns:
- nx.Graph: Grafo de conceptos
- """
- try:
- G = nx.Graph()
-
- # Crear un conjunto de conceptos clave para búsqueda rápida
- concept_words = {concept[0].lower() for concept in key_concepts}
-
- # Añadir nodos al grafo
- for concept, freq in key_concepts:
- G.add_node(concept.lower(), weight=freq)
-
- # Analizar cada oración
- for sent in doc.sents:
- # Obtener conceptos en la oración actual
- current_concepts = []
- for token in sent:
- if token.lemma_.lower() in concept_words:
- current_concepts.append(token.lemma_.lower())
-
- # Crear conexiones entre conceptos en la misma oración
- for i, concept1 in enumerate(current_concepts):
- for concept2 in current_concepts[i+1:]:
- if concept1 != concept2:
- # Si ya existe la arista, incrementar el peso
- if G.has_edge(concept1, concept2):
- G[concept1][concept2]['weight'] += 1
- # Si no existe, crear nueva arista con peso 1
- else:
- G.add_edge(concept1, concept2, weight=1)
-
- return G
-
- except Exception as e:
- logger.error(f"Error en create_concept_graph: {str(e)}")
- # Retornar un grafo vacío en caso de error
- return nx.Graph()
-
-def visualize_concept_graph(G, lang_code):
- """
- Visualiza el grafo de conceptos.
- Args:
- G: Grafo de networkx
- lang_code: Código del idioma
- Returns:
- matplotlib.figure.Figure: Figura con el grafo visualizado
- """
- try:
- plt.figure(figsize=(12, 8))
-
- # Calcular el layout del grafo
- pos = nx.spring_layout(G)
-
- # Obtener pesos de nodos y aristas
- node_weights = [G.nodes[node].get('weight', 1) * 500 for node in G.nodes()]
- edge_weights = [G[u][v].get('weight', 1) for u, v in G.edges()]
-
- # Dibujar el grafo
- nx.draw_networkx_nodes(G, pos,
- node_size=node_weights,
- node_color='lightblue',
- alpha=0.6)
-
- nx.draw_networkx_edges(G, pos,
- width=edge_weights,
- alpha=0.5,
- edge_color='gray')
-
- nx.draw_networkx_labels(G, pos,
- font_size=10,
- font_weight='bold')
-
- plt.title("Red de conceptos relacionados")
- plt.axis('off')
-
- return plt.gcf()
-
- except Exception as e:
- logger.error(f"Error en visualize_concept_graph: {str(e)}")
- # Retornar una figura vacía en caso de error
- return plt.figure()
-
-def create_entity_graph(entities):
- G = nx.Graph()
- for entity_type, entity_list in entities.items():
- for entity in entity_list:
- G.add_node(entity, type=entity_type)
- for i, entity1 in enumerate(entity_list):
- for entity2 in entity_list[i+1:]:
- G.add_edge(entity1, entity2)
- return G
-
-def visualize_entity_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- for entity_type, color in ENTITY_LABELS[lang_code].items():
- node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
- nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
- nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
- ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-
-#################################################################################
-def create_topic_graph(topics, doc):
- G = nx.Graph()
- for topic in topics:
- G.add_node(topic, weight=doc.text.count(topic))
- for i, topic1 in enumerate(topics):
- for topic2 in topics[i+1:]:
- weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
- if weight > 0:
- G.add_edge(topic1, topic2, weight=weight)
- return G
-
-def visualize_topic_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
- nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
- edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
- nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
- ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-###########################################################################################
-def generate_summary(doc, lang_code):
- sentences = list(doc.sents)
- summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
- return " ".join([sent.text for sent in summary])
-
-def extract_entities(doc, lang_code):
- entities = defaultdict(list)
- for ent in doc.ents:
- if ent.label_ in ENTITY_LABELS[lang_code]:
- entities[ent.label_].append(ent.text)
- return dict(entities)
-
-def analyze_sentiment(doc, lang_code):
- positive_words = sum(1 for token in doc if token.sentiment > 0)
- negative_words = sum(1 for token in doc if token.sentiment < 0)
- total_words = len(doc)
- if positive_words > negative_words:
- return "Positivo"
- elif negative_words > positive_words:
- return "Negativo"
- else:
- return "Neutral"
-
-def extract_topics(doc, lang_code):
- vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
- tfidf_matrix = vectorizer.fit_transform([doc.text])
- feature_names = vectorizer.get_feature_names_out()
- return list(feature_names)
-
-# Asegúrate de que todas las funciones necesarias estén exportadas
-__all__ = [
- 'perform_semantic_analysis',
- 'identify_key_concepts',
- 'create_concept_graph',
- 'visualize_concept_graph',
- 'create_entity_graph',
- 'visualize_entity_graph',
- 'generate_summary',
- 'extract_entities',
- 'analyze_sentiment',
- 'create_topic_graph',
- 'visualize_topic_graph',
- 'extract_topics',
- 'ENTITY_LABELS',
- 'POS_COLORS',
- 'POS_TRANSLATIONS'
+# modules/text_analysis/semantic_analysis.py
+# [Mantener todas las importaciones y constantes existentes...]
+
+import streamlit as st
+import spacy
+import networkx as nx
+import matplotlib.pyplot as plt
+import io
+import base64
+from collections import Counter, defaultdict
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.metrics.pairwise import cosine_similarity
+import logging
+
+logger = logging.getLogger(__name__)
+
+
+# Define colors for grammatical categories
+POS_COLORS = {
+ 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
+ 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
+ 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
+ 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
+}
+
+POS_TRANSLATIONS = {
+ 'es': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
+ 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
+ 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Otro',
+ },
+ 'en': {
+ 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
+ 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
+ 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
+ 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
+ 'VERB': 'Verb', 'X': 'Other',
+ },
+ 'fr': {
+ 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
+ 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
+ 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
+ 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
+ 'VERB': 'Verbe', 'X': 'Autre',
+ }
+}
+
+ENTITY_LABELS = {
+ 'es': {
+ "Personas": "lightblue",
+ "Lugares": "lightcoral",
+ "Inventos": "lightgreen",
+ "Fechas": "lightyellow",
+ "Conceptos": "lightpink"
+ },
+ 'en': {
+ "People": "lightblue",
+ "Places": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ },
+ 'fr': {
+ "Personnes": "lightblue",
+ "Lieux": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ }
+}
+
+CUSTOM_STOPWORDS = {
+ 'es': {
+ # Artículos
+ 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas',
+ # Preposiciones comunes
+ 'a', 'ante', 'bajo', 'con', 'contra', 'de', 'desde', 'en',
+ 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin',
+ 'sobre', 'tras', 'durante', 'mediante',
+ # Conjunciones
+ 'y', 'e', 'ni', 'o', 'u', 'pero', 'sino', 'porque',
+ # Pronombres
+ 'yo', 'tú', 'él', 'ella', 'nosotros', 'vosotros', 'ellos',
+ 'ellas', 'este', 'esta', 'ese', 'esa', 'aquel', 'aquella',
+ # Verbos auxiliares comunes
+ 'ser', 'estar', 'haber', 'tener',
+ # Palabras comunes en textos académicos
+ 'además', 'también', 'asimismo', 'sin embargo', 'no obstante',
+ 'por lo tanto', 'entonces', 'así', 'luego', 'pues',
+ # Números escritos
+ 'uno', 'dos', 'tres', 'primer', 'primera', 'segundo', 'segunda',
+ # Otras palabras comunes
+ 'cada', 'todo', 'toda', 'todos', 'todas', 'otro', 'otra',
+ 'donde', 'cuando', 'como', 'que', 'cual', 'quien',
+ 'cuyo', 'cuya', 'hay', 'solo', 'ver', 'si', 'no',
+ # Símbolos y caracteres especiales
+ '#', '@', '/', '*', '+', '-', '=', '$', '%'
+ },
+ 'en': {
+ # Articles
+ 'the', 'a', 'an',
+ # Common prepositions
+ 'in', 'on', 'at', 'by', 'for', 'with', 'about', 'against',
+ 'between', 'into', 'through', 'during', 'before', 'after',
+ 'above', 'below', 'to', 'from', 'up', 'down', 'of',
+ # Conjunctions
+ 'and', 'or', 'but', 'nor', 'so', 'for', 'yet',
+ # Pronouns
+ 'i', 'you', 'he', 'she', 'it', 'we', 'they', 'this',
+ 'that', 'these', 'those', 'my', 'your', 'his', 'her',
+ # Auxiliary verbs
+ 'be', 'am', 'is', 'are', 'was', 'were', 'been', 'have',
+ 'has', 'had', 'do', 'does', 'did',
+ # Common academic words
+ 'therefore', 'however', 'thus', 'hence', 'moreover',
+ 'furthermore', 'nevertheless',
+ # Numbers written
+ 'one', 'two', 'three', 'first', 'second', 'third',
+ # Other common words
+ 'where', 'when', 'how', 'what', 'which', 'who',
+ 'whom', 'whose', 'there', 'here', 'just', 'only',
+ # Symbols and special characters
+ '#', '@', '/', '*', '+', '-', '=', '$', '%'
+ },
+ 'fr': {
+ # Articles
+ 'le', 'la', 'les', 'un', 'une', 'des',
+ # Prepositions
+ 'à', 'de', 'dans', 'sur', 'en', 'par', 'pour', 'avec',
+ 'sans', 'sous', 'entre', 'derrière', 'chez', 'avant',
+ # Conjunctions
+ 'et', 'ou', 'mais', 'donc', 'car', 'ni', 'or',
+ # Pronouns
+ 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils',
+ 'elles', 'ce', 'cette', 'ces', 'celui', 'celle',
+ # Auxiliary verbs
+ 'être', 'avoir', 'faire',
+ # Academic words
+ 'donc', 'cependant', 'néanmoins', 'ainsi', 'toutefois',
+ 'pourtant', 'alors',
+ # Numbers
+ 'un', 'deux', 'trois', 'premier', 'première', 'second',
+ # Other common words
+ 'où', 'quand', 'comment', 'que', 'qui', 'quoi',
+ 'quel', 'quelle', 'plus', 'moins',
+ # Symbols
+ '#', '@', '/', '*', '+', '-', '=', '$', '%'
+ }
+}
+
+##############################################################################################################
+def get_stopwords(lang_code):
+ """
+ Obtiene el conjunto de stopwords para un idioma específico.
+ Combina las stopwords de spaCy con las personalizadas.
+ """
+ try:
+ nlp = spacy.load(f'{lang_code}_core_news_sm')
+ spacy_stopwords = nlp.Defaults.stop_words
+ custom_stopwords = CUSTOM_STOPWORDS.get(lang_code, set())
+ return spacy_stopwords.union(custom_stopwords)
+ except:
+ return CUSTOM_STOPWORDS.get(lang_code, set())
+
+
+def perform_semantic_analysis(text, nlp, lang_code):
+ """
+ Realiza el análisis semántico completo del texto.
+ Args:
+ text: Texto a analizar
+ nlp: Modelo de spaCy
+ lang_code: Código del idioma
+ Returns:
+ dict: Resultados del análisis
+ """
+
+ logger.info(f"Starting semantic analysis for language: {lang_code}")
+ try:
+ doc = nlp(text)
+ key_concepts = identify_key_concepts(doc)
+ concept_graph = create_concept_graph(doc, key_concepts)
+ concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
+ entities = extract_entities(doc, lang_code)
+ entity_graph = create_entity_graph(entities)
+ entity_graph_fig = visualize_entity_graph(entity_graph, lang_code)
+
+ # Convertir figuras a bytes
+ concept_graph_bytes = fig_to_bytes(concept_graph_fig)
+ entity_graph_bytes = fig_to_bytes(entity_graph_fig)
+
+ logger.info("Semantic analysis completed successfully")
+ return {
+ 'key_concepts': key_concepts,
+ 'concept_graph': concept_graph_bytes,
+ 'entities': entities,
+ 'entity_graph': entity_graph_bytes
+ }
+ except Exception as e:
+ logger.error(f"Error in perform_semantic_analysis: {str(e)}")
+ raise
+
+
+def fig_to_bytes(fig):
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png')
+ buf.seek(0)
+ return buf.getvalue()
+
+
+def fig_to_html(fig):
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png')
+ buf.seek(0)
+ img_str = base64.b64encode(buf.getvalue()).decode()
+ return f''
+
+
+
+def identify_key_concepts(doc, min_freq=2, min_length=3):
+ """
+ Identifica conceptos clave en el texto.
+ Args:
+ doc: Documento procesado por spaCy
+ min_freq: Frecuencia mínima para considerar un concepto
+ min_length: Longitud mínima de palabra para considerar
+ Returns:
+ list: Lista de tuplas (concepto, frecuencia)
+ """
+ try:
+ # Obtener stopwords para el idioma
+ stopwords = get_stopwords(doc.lang_)
+
+ # Contar frecuencias de palabras
+ word_freq = Counter()
+
+ for token in doc:
+ if (token.lemma_.lower() not in stopwords and
+ len(token.lemma_) >= min_length and
+ token.is_alpha and
+ not token.is_punct and
+ not token.like_num):
+
+ word_freq[token.lemma_.lower()] += 1
+
+ # Filtrar por frecuencia mínima
+ concepts = [(word, freq) for word, freq in word_freq.items()
+ if freq >= min_freq]
+
+ # Ordenar por frecuencia
+ concepts.sort(key=lambda x: x[1], reverse=True)
+
+ return concepts[:10] # Retornar los 10 conceptos más frecuentes
+
+ except Exception as e:
+ logger.error(f"Error en identify_key_concepts: {str(e)}")
+ return [] # Retornar lista vacía en caso de error
+
+
+def create_concept_graph(doc, key_concepts):
+ """
+ Crea un grafo de relaciones entre conceptos.
+ Args:
+ doc: Documento procesado por spaCy
+ key_concepts: Lista de tuplas (concepto, frecuencia)
+ Returns:
+ nx.Graph: Grafo de conceptos
+ """
+ try:
+ G = nx.Graph()
+
+ # Crear un conjunto de conceptos clave para búsqueda rápida
+ concept_words = {concept[0].lower() for concept in key_concepts}
+
+ # Añadir nodos al grafo
+ for concept, freq in key_concepts:
+ G.add_node(concept.lower(), weight=freq)
+
+ # Analizar cada oración
+ for sent in doc.sents:
+ # Obtener conceptos en la oración actual
+ current_concepts = []
+ for token in sent:
+ if token.lemma_.lower() in concept_words:
+ current_concepts.append(token.lemma_.lower())
+
+ # Crear conexiones entre conceptos en la misma oración
+ for i, concept1 in enumerate(current_concepts):
+ for concept2 in current_concepts[i+1:]:
+ if concept1 != concept2:
+ # Si ya existe la arista, incrementar el peso
+ if G.has_edge(concept1, concept2):
+ G[concept1][concept2]['weight'] += 1
+ # Si no existe, crear nueva arista con peso 1
+ else:
+ G.add_edge(concept1, concept2, weight=1)
+
+ return G
+
+ except Exception as e:
+ logger.error(f"Error en create_concept_graph: {str(e)}")
+ # Retornar un grafo vacío en caso de error
+ return nx.Graph()
+
+def visualize_concept_graph(G, lang_code):
+ """
+ Visualiza el grafo de conceptos.
+ Args:
+ G: Grafo de networkx
+ lang_code: Código del idioma
+ Returns:
+ matplotlib.figure.Figure: Figura con el grafo visualizado
+ """
+ try:
+ plt.figure(figsize=(12, 8))
+
+ # Calcular el layout del grafo
+ pos = nx.spring_layout(G)
+
+ # Obtener pesos de nodos y aristas
+ node_weights = [G.nodes[node].get('weight', 1) * 500 for node in G.nodes()]
+ edge_weights = [G[u][v].get('weight', 1) for u, v in G.edges()]
+
+ # Dibujar el grafo
+ nx.draw_networkx_nodes(G, pos,
+ node_size=node_weights,
+ node_color='lightblue',
+ alpha=0.6)
+
+ nx.draw_networkx_edges(G, pos,
+ width=edge_weights,
+ alpha=0.5,
+ edge_color='gray')
+
+ nx.draw_networkx_labels(G, pos,
+ font_size=10,
+ font_weight='bold')
+
+ plt.title("Red de conceptos relacionados")
+ plt.axis('off')
+
+ return plt.gcf()
+
+ except Exception as e:
+ logger.error(f"Error en visualize_concept_graph: {str(e)}")
+ # Retornar una figura vacía en caso de error
+ return plt.figure()
+
+def create_entity_graph(entities):
+ G = nx.Graph()
+ for entity_type, entity_list in entities.items():
+ for entity in entity_list:
+ G.add_node(entity, type=entity_type)
+ for i, entity1 in enumerate(entity_list):
+ for entity2 in entity_list[i+1:]:
+ G.add_edge(entity1, entity2)
+ return G
+
+def visualize_entity_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ for entity_type, color in ENTITY_LABELS[lang_code].items():
+ node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
+ nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
+ nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
+ ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+
+#################################################################################
+def create_topic_graph(topics, doc):
+ G = nx.Graph()
+ for topic in topics:
+ G.add_node(topic, weight=doc.text.count(topic))
+ for i, topic1 in enumerate(topics):
+ for topic2 in topics[i+1:]:
+ weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
+ if weight > 0:
+ G.add_edge(topic1, topic2, weight=weight)
+ return G
+
+def visualize_topic_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
+ nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
+ edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
+ nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
+ ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+###########################################################################################
+def generate_summary(doc, lang_code):
+ sentences = list(doc.sents)
+ summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
+ return " ".join([sent.text for sent in summary])
+
+def extract_entities(doc, lang_code):
+ entities = defaultdict(list)
+ for ent in doc.ents:
+ if ent.label_ in ENTITY_LABELS[lang_code]:
+ entities[ent.label_].append(ent.text)
+ return dict(entities)
+
+def analyze_sentiment(doc, lang_code):
+ positive_words = sum(1 for token in doc if token.sentiment > 0)
+ negative_words = sum(1 for token in doc if token.sentiment < 0)
+ total_words = len(doc)
+ if positive_words > negative_words:
+ return "Positivo"
+ elif negative_words > positive_words:
+ return "Negativo"
+ else:
+ return "Neutral"
+
+def extract_topics(doc, lang_code):
+ vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
+ tfidf_matrix = vectorizer.fit_transform([doc.text])
+ feature_names = vectorizer.get_feature_names_out()
+ return list(feature_names)
+
+# Asegúrate de que todas las funciones necesarias estén exportadas
+__all__ = [
+ 'perform_semantic_analysis',
+ 'identify_key_concepts',
+ 'create_concept_graph',
+ 'visualize_concept_graph',
+ 'create_entity_graph',
+ 'visualize_entity_graph',
+ 'generate_summary',
+ 'extract_entities',
+ 'analyze_sentiment',
+ 'create_topic_graph',
+ 'visualize_topic_graph',
+ 'extract_topics',
+ 'ENTITY_LABELS',
+ 'POS_COLORS',
+ 'POS_TRANSLATIONS'
]
\ No newline at end of file
diff --git a/modules/text_analysis/semantic_analysis.py b/modules/text_analysis/semantic_analysis.py
index fbca4411824e5428bf3b03bcc993276ac62e6c36..931dd45f436f28be989264e5be860fa42913137e 100644
--- a/modules/text_analysis/semantic_analysis.py
+++ b/modules/text_analysis/semantic_analysis.py
@@ -1,484 +1,484 @@
-# modules/text_analysis/semantic_analysis.py
-
-# 1. Importaciones estándar del sistema
-import logging
-import io
-import base64
-from collections import Counter, defaultdict
-
-# 2. Importaciones de terceros
-import streamlit as st
-import spacy
-import networkx as nx
-import matplotlib.pyplot as plt
-from sklearn.feature_extraction.text import TfidfVectorizer
-from sklearn.metrics.pairwise import cosine_similarity
-
-# Solo configurar si no hay handlers ya configurados
-logger = logging.getLogger(__name__)
-
-# 4. Importaciones locales
-from .stopwords import (
- process_text,
- clean_text,
- get_custom_stopwords,
- get_stopwords_for_spacy
-)
-
-
-# Define colors for grammatical categories
-POS_COLORS = {
- 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
- 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
- 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
- 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
-}
-
-POS_TRANSLATIONS = {
- 'es': {
- 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
- 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
- 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
- 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
- 'VERB': 'Verbo', 'X': 'Otro',
- },
- 'en': {
- 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
- 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
- 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
- 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
- 'VERB': 'Verb', 'X': 'Other',
- },
- 'fr': {
- 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
- 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
- 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
- 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
- 'VERB': 'Verbe', 'X': 'Autre',
- }
-}
-
-ENTITY_LABELS = {
- 'es': {
- "Personas": "lightblue",
- "Lugares": "lightcoral",
- "Inventos": "lightgreen",
- "Fechas": "lightyellow",
- "Conceptos": "lightpink"
- },
- 'en': {
- "People": "lightblue",
- "Places": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- },
- 'fr': {
- "Personnes": "lightblue",
- "Lieux": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- }
-}
-
-def fig_to_bytes(fig):
- """Convierte una figura de matplotlib a bytes."""
- try:
- buf = io.BytesIO()
- fig.savefig(buf, format='png', dpi=300, bbox_inches='tight')
- buf.seek(0)
- return buf.getvalue()
- except Exception as e:
- logger.error(f"Error en fig_to_bytes: {str(e)}")
- return None
-
-###########################################################
-def perform_semantic_analysis(text, nlp, lang_code):
- """
- Realiza el análisis semántico completo del texto.
- """
- if not text or not nlp or not lang_code:
- logger.error("Parámetros inválidos para el análisis semántico")
- return {
- 'success': False,
- 'error': 'Parámetros inválidos'
- }
-
- try:
- logger.info(f"Starting semantic analysis for language: {lang_code}")
-
- # Procesar texto y remover stopwords
- doc = nlp(text)
- if not doc:
- logger.error("Error al procesar el texto con spaCy")
- return {
- 'success': False,
- 'error': 'Error al procesar el texto'
- }
-
- # Identificar conceptos clave
- logger.info("Identificando conceptos clave...")
- stopwords = get_custom_stopwords(lang_code)
- key_concepts = identify_key_concepts(doc, stopwords=stopwords)
-
- if not key_concepts:
- logger.warning("No se identificaron conceptos clave")
- return {
- 'success': False,
- 'error': 'No se pudieron identificar conceptos clave'
- }
-
- # Crear grafo de conceptos
- logger.info(f"Creando grafo de conceptos con {len(key_concepts)} conceptos...")
- concept_graph = create_concept_graph(doc, key_concepts)
-
- if not concept_graph.nodes():
- logger.warning("Se creó un grafo vacío")
- return {
- 'success': False,
- 'error': 'No se pudo crear el grafo de conceptos'
- }
-
- # Visualizar grafo
- logger.info("Visualizando grafo...")
- plt.clf() # Limpiar figura actual
- concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
-
- # Convertir a bytes
- logger.info("Convirtiendo grafo a bytes...")
- graph_bytes = fig_to_bytes(concept_graph_fig)
-
- if not graph_bytes:
- logger.error("Error al convertir grafo a bytes")
- return {
- 'success': False,
- 'error': 'Error al generar visualización'
- }
-
- # Limpiar recursos
- plt.close(concept_graph_fig)
- plt.close('all')
-
- result = {
- 'success': True,
- 'key_concepts': key_concepts,
- 'concept_graph': graph_bytes
- }
-
- logger.info("Análisis semántico completado exitosamente")
- return result
-
- except Exception as e:
- logger.error(f"Error in perform_semantic_analysis: {str(e)}")
- plt.close('all') # Asegurarse de limpiar recursos
- return {
- 'success': False,
- 'error': str(e)
- }
- finally:
- plt.close('all') # Asegurar limpieza incluso si hay error
-
-############################################################
-
-def identify_key_concepts(doc, stopwords, min_freq=2, min_length=3):
- """
- Identifica conceptos clave en el texto, excluyendo entidades nombradas.
- Args:
- doc: Documento procesado por spaCy
- stopwords: Lista de stopwords
- min_freq: Frecuencia mínima para considerar un concepto
- min_length: Longitud mínima del concepto
- Returns:
- List[Tuple[str, int]]: Lista de tuplas (concepto, frecuencia)
- """
- try:
- word_freq = Counter()
-
- # Crear conjunto de tokens que son parte de entidades
- entity_tokens = set()
- for ent in doc.ents:
- entity_tokens.update(token.i for token in ent)
-
- # Procesar tokens
- for token in doc:
- # Verificar si el token no es parte de una entidad nombrada
- if (token.i not in entity_tokens and # No es parte de una entidad
- token.lemma_.lower() not in stopwords and # No es stopword
- len(token.lemma_) >= min_length and # Longitud mínima
- token.is_alpha and # Es alfabético
- not token.is_punct and # No es puntuación
- not token.like_num and # No es número
- not token.is_space and # No es espacio
- not token.is_stop and # No es stopword de spaCy
- not token.pos_ == 'PROPN' and # No es nombre propio
- not token.pos_ == 'SYM' and # No es símbolo
- not token.pos_ == 'NUM' and # No es número
- not token.pos_ == 'X'): # No es otro
-
- # Convertir a minúsculas y añadir al contador
- word_freq[token.lemma_.lower()] += 1
-
- # Filtrar conceptos por frecuencia mínima y ordenar por frecuencia
- concepts = [(word, freq) for word, freq in word_freq.items()
- if freq >= min_freq]
- concepts.sort(key=lambda x: x[1], reverse=True)
-
- logger.info(f"Identified {len(concepts)} key concepts after excluding entities")
- return concepts[:10]
-
- except Exception as e:
- logger.error(f"Error en identify_key_concepts: {str(e)}")
- return []
-
-########################################################################
-
-def create_concept_graph(doc, key_concepts):
- """
- Crea un grafo de relaciones entre conceptos, ignorando entidades.
- Args:
- doc: Documento procesado por spaCy
- key_concepts: Lista de tuplas (concepto, frecuencia)
- Returns:
- nx.Graph: Grafo de conceptos
- """
- try:
- G = nx.Graph()
-
- # Crear un conjunto de conceptos clave para búsqueda rápida
- concept_words = {concept[0].lower() for concept in key_concepts}
-
- # Crear conjunto de tokens que son parte de entidades
- entity_tokens = set()
- for ent in doc.ents:
- entity_tokens.update(token.i for token in ent)
-
- # Añadir nodos al grafo
- for concept, freq in key_concepts:
- G.add_node(concept.lower(), weight=freq)
-
- # Analizar cada oración
- for sent in doc.sents:
- # Obtener conceptos en la oración actual, excluyendo entidades
- current_concepts = []
- for token in sent:
- if (token.i not in entity_tokens and
- token.lemma_.lower() in concept_words):
- current_concepts.append(token.lemma_.lower())
-
- # Crear conexiones entre conceptos en la misma oración
- for i, concept1 in enumerate(current_concepts):
- for concept2 in current_concepts[i+1:]:
- if concept1 != concept2:
- if G.has_edge(concept1, concept2):
- G[concept1][concept2]['weight'] += 1
- else:
- G.add_edge(concept1, concept2, weight=1)
-
- return G
-
- except Exception as e:
- logger.error(f"Error en create_concept_graph: {str(e)}")
- return nx.Graph()
-
-###############################################################################
-
-def visualize_concept_graph(G, lang_code):
- """
- Visualiza el grafo de conceptos con layout consistente.
- Args:
- G: networkx.Graph - Grafo de conceptos
- lang_code: str - Código del idioma
- Returns:
- matplotlib.figure.Figure - Figura del grafo
- """
- try:
- # Crear nueva figura con mayor tamaño y definir los ejes explícitamente
- fig, ax = plt.subplots(figsize=(15, 10))
-
- if not G.nodes():
- logger.warning("Grafo vacío, retornando figura vacía")
- return fig
-
- # Convertir grafo no dirigido a dirigido para mostrar flechas
- DG = nx.DiGraph(G)
-
- # Calcular centralidad de los nodos para el color
- centrality = nx.degree_centrality(G)
-
- # Establecer semilla para reproducibilidad
- seed = 42
-
- # Calcular layout con parámetros fijos
- pos = nx.spring_layout(
- DG,
- k=2, # Distancia ideal entre nodos
- iterations=50, # Número de iteraciones
- seed=seed # Semilla fija para reproducibilidad
- )
-
- # Calcular factor de escala basado en número de nodos
- num_nodes = len(DG.nodes())
- scale_factor = 1000 if num_nodes < 10 else 500 if num_nodes < 20 else 200
-
- # Obtener pesos ajustados
- node_weights = [DG.nodes[node].get('weight', 1) * scale_factor for node in DG.nodes()]
- edge_weights = [DG[u][v].get('weight', 1) for u, v in DG.edges()]
-
- # Crear mapa de colores basado en centralidad
- node_colors = [plt.cm.viridis(centrality[node]) for node in DG.nodes()]
-
- # Dibujar nodos
- nodes = nx.draw_networkx_nodes(
- DG,
- pos,
- node_size=node_weights,
- node_color=node_colors,
- alpha=0.7,
- ax=ax
- )
-
- # Dibujar aristas con flechas
- edges = nx.draw_networkx_edges(
- DG,
- pos,
- width=edge_weights,
- alpha=0.6,
- edge_color='gray',
- arrows=True,
- arrowsize=20,
- arrowstyle='->',
- connectionstyle='arc3,rad=0.2',
- ax=ax
- )
-
- # Ajustar tamaño de fuente según número de nodos
- font_size = 12 if num_nodes < 10 else 10 if num_nodes < 20 else 8
-
- # Dibujar etiquetas con fondo blanco para mejor legibilidad
- labels = nx.draw_networkx_labels(
- DG,
- pos,
- font_size=font_size,
- font_weight='bold',
- bbox=dict(
- facecolor='white',
- edgecolor='none',
- alpha=0.7
- ),
- ax=ax
- )
-
- # Añadir leyenda de centralidad
- sm = plt.cm.ScalarMappable(
- cmap=plt.cm.viridis,
- norm=plt.Normalize(vmin=0, vmax=1)
- )
- sm.set_array([])
- plt.colorbar(sm, ax=ax, label='Centralidad del concepto')
-
- plt.title("Red de conceptos relacionados", pad=20, fontsize=14)
- ax.set_axis_off()
-
- # Ajustar el layout para que la barra de color no se superponga
- plt.tight_layout()
-
- return fig
-
- except Exception as e:
- logger.error(f"Error en visualize_concept_graph: {str(e)}")
- return plt.figure() # Retornar figura vacía en caso de error
-
-########################################################################
-def create_entity_graph(entities):
- G = nx.Graph()
- for entity_type, entity_list in entities.items():
- for entity in entity_list:
- G.add_node(entity, type=entity_type)
- for i, entity1 in enumerate(entity_list):
- for entity2 in entity_list[i+1:]:
- G.add_edge(entity1, entity2)
- return G
-
-
-#############################################################
-def visualize_entity_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- for entity_type, color in ENTITY_LABELS[lang_code].items():
- node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
- nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
- nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
- ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-
-#################################################################################
-def create_topic_graph(topics, doc):
- G = nx.Graph()
- for topic in topics:
- G.add_node(topic, weight=doc.text.count(topic))
- for i, topic1 in enumerate(topics):
- for topic2 in topics[i+1:]:
- weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
- if weight > 0:
- G.add_edge(topic1, topic2, weight=weight)
- return G
-
-def visualize_topic_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
- nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
- edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
- nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
- ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-###########################################################################################
-def generate_summary(doc, lang_code):
- sentences = list(doc.sents)
- summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
- return " ".join([sent.text for sent in summary])
-
-def extract_entities(doc, lang_code):
- entities = defaultdict(list)
- for ent in doc.ents:
- if ent.label_ in ENTITY_LABELS[lang_code]:
- entities[ent.label_].append(ent.text)
- return dict(entities)
-
-def analyze_sentiment(doc, lang_code):
- positive_words = sum(1 for token in doc if token.sentiment > 0)
- negative_words = sum(1 for token in doc if token.sentiment < 0)
- total_words = len(doc)
- if positive_words > negative_words:
- return "Positivo"
- elif negative_words > positive_words:
- return "Negativo"
- else:
- return "Neutral"
-
-def extract_topics(doc, lang_code):
- vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
- tfidf_matrix = vectorizer.fit_transform([doc.text])
- feature_names = vectorizer.get_feature_names_out()
- return list(feature_names)
-
-# Asegúrate de que todas las funciones necesarias estén exportadas
-__all__ = [
- 'perform_semantic_analysis',
- 'identify_key_concepts',
- 'create_concept_graph',
- 'visualize_concept_graph',
- 'fig_to_bytes', # Faltaba esta coma
- 'ENTITY_LABELS',
- 'POS_COLORS',
- 'POS_TRANSLATIONS'
+# modules/text_analysis/semantic_analysis.py
+
+# 1. Importaciones estándar del sistema
+import logging
+import io
+import base64
+from collections import Counter, defaultdict
+
+# 2. Importaciones de terceros
+import streamlit as st
+import spacy
+import networkx as nx
+import matplotlib.pyplot as plt
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.metrics.pairwise import cosine_similarity
+
+# Solo configurar si no hay handlers ya configurados
+logger = logging.getLogger(__name__)
+
+# 4. Importaciones locales
+from .stopwords import (
+ process_text,
+ clean_text,
+ get_custom_stopwords,
+ get_stopwords_for_spacy
+)
+
+
+# Define colors for grammatical categories
+POS_COLORS = {
+ 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
+ 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
+ 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
+ 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
+}
+
+POS_TRANSLATIONS = {
+ 'es': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
+ 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
+ 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Otro',
+ },
+ 'en': {
+ 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
+ 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
+ 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
+ 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
+ 'VERB': 'Verb', 'X': 'Other',
+ },
+ 'fr': {
+ 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
+ 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
+ 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
+ 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
+ 'VERB': 'Verbe', 'X': 'Autre',
+ }
+}
+
+ENTITY_LABELS = {
+ 'es': {
+ "Personas": "lightblue",
+ "Lugares": "lightcoral",
+ "Inventos": "lightgreen",
+ "Fechas": "lightyellow",
+ "Conceptos": "lightpink"
+ },
+ 'en': {
+ "People": "lightblue",
+ "Places": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ },
+ 'fr': {
+ "Personnes": "lightblue",
+ "Lieux": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ }
+}
+
+def fig_to_bytes(fig):
+ """Convierte una figura de matplotlib a bytes."""
+ try:
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png', dpi=300, bbox_inches='tight')
+ buf.seek(0)
+ return buf.getvalue()
+ except Exception as e:
+ logger.error(f"Error en fig_to_bytes: {str(e)}")
+ return None
+
+###########################################################
+def perform_semantic_analysis(text, nlp, lang_code):
+ """
+ Realiza el análisis semántico completo del texto.
+ """
+ if not text or not nlp or not lang_code:
+ logger.error("Parámetros inválidos para el análisis semántico")
+ return {
+ 'success': False,
+ 'error': 'Parámetros inválidos'
+ }
+
+ try:
+ logger.info(f"Starting semantic analysis for language: {lang_code}")
+
+ # Procesar texto y remover stopwords
+ doc = nlp(text)
+ if not doc:
+ logger.error("Error al procesar el texto con spaCy")
+ return {
+ 'success': False,
+ 'error': 'Error al procesar el texto'
+ }
+
+ # Identificar conceptos clave
+ logger.info("Identificando conceptos clave...")
+ stopwords = get_custom_stopwords(lang_code)
+ key_concepts = identify_key_concepts(doc, stopwords=stopwords)
+
+ if not key_concepts:
+ logger.warning("No se identificaron conceptos clave")
+ return {
+ 'success': False,
+ 'error': 'No se pudieron identificar conceptos clave'
+ }
+
+ # Crear grafo de conceptos
+ logger.info(f"Creando grafo de conceptos con {len(key_concepts)} conceptos...")
+ concept_graph = create_concept_graph(doc, key_concepts)
+
+ if not concept_graph.nodes():
+ logger.warning("Se creó un grafo vacío")
+ return {
+ 'success': False,
+ 'error': 'No se pudo crear el grafo de conceptos'
+ }
+
+ # Visualizar grafo
+ logger.info("Visualizando grafo...")
+ plt.clf() # Limpiar figura actual
+ concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
+
+ # Convertir a bytes
+ logger.info("Convirtiendo grafo a bytes...")
+ graph_bytes = fig_to_bytes(concept_graph_fig)
+
+ if not graph_bytes:
+ logger.error("Error al convertir grafo a bytes")
+ return {
+ 'success': False,
+ 'error': 'Error al generar visualización'
+ }
+
+ # Limpiar recursos
+ plt.close(concept_graph_fig)
+ plt.close('all')
+
+ result = {
+ 'success': True,
+ 'key_concepts': key_concepts,
+ 'concept_graph': graph_bytes
+ }
+
+ logger.info("Análisis semántico completado exitosamente")
+ return result
+
+ except Exception as e:
+ logger.error(f"Error in perform_semantic_analysis: {str(e)}")
+ plt.close('all') # Asegurarse de limpiar recursos
+ return {
+ 'success': False,
+ 'error': str(e)
+ }
+ finally:
+ plt.close('all') # Asegurar limpieza incluso si hay error
+
+############################################################
+
+def identify_key_concepts(doc, stopwords, min_freq=2, min_length=3):
+ """
+ Identifica conceptos clave en el texto, excluyendo entidades nombradas.
+ Args:
+ doc: Documento procesado por spaCy
+ stopwords: Lista de stopwords
+ min_freq: Frecuencia mínima para considerar un concepto
+ min_length: Longitud mínima del concepto
+ Returns:
+ List[Tuple[str, int]]: Lista de tuplas (concepto, frecuencia)
+ """
+ try:
+ word_freq = Counter()
+
+ # Crear conjunto de tokens que son parte de entidades
+ entity_tokens = set()
+ for ent in doc.ents:
+ entity_tokens.update(token.i for token in ent)
+
+ # Procesar tokens
+ for token in doc:
+ # Verificar si el token no es parte de una entidad nombrada
+ if (token.i not in entity_tokens and # No es parte de una entidad
+ token.lemma_.lower() not in stopwords and # No es stopword
+ len(token.lemma_) >= min_length and # Longitud mínima
+ token.is_alpha and # Es alfabético
+ not token.is_punct and # No es puntuación
+ not token.like_num and # No es número
+ not token.is_space and # No es espacio
+ not token.is_stop and # No es stopword de spaCy
+ not token.pos_ == 'PROPN' and # No es nombre propio
+ not token.pos_ == 'SYM' and # No es símbolo
+ not token.pos_ == 'NUM' and # No es número
+ not token.pos_ == 'X'): # No es otro
+
+ # Convertir a minúsculas y añadir al contador
+ word_freq[token.lemma_.lower()] += 1
+
+ # Filtrar conceptos por frecuencia mínima y ordenar por frecuencia
+ concepts = [(word, freq) for word, freq in word_freq.items()
+ if freq >= min_freq]
+ concepts.sort(key=lambda x: x[1], reverse=True)
+
+ logger.info(f"Identified {len(concepts)} key concepts after excluding entities")
+ return concepts[:10]
+
+ except Exception as e:
+ logger.error(f"Error en identify_key_concepts: {str(e)}")
+ return []
+
+########################################################################
+
+def create_concept_graph(doc, key_concepts):
+ """
+ Crea un grafo de relaciones entre conceptos, ignorando entidades.
+ Args:
+ doc: Documento procesado por spaCy
+ key_concepts: Lista de tuplas (concepto, frecuencia)
+ Returns:
+ nx.Graph: Grafo de conceptos
+ """
+ try:
+ G = nx.Graph()
+
+ # Crear un conjunto de conceptos clave para búsqueda rápida
+ concept_words = {concept[0].lower() for concept in key_concepts}
+
+ # Crear conjunto de tokens que son parte de entidades
+ entity_tokens = set()
+ for ent in doc.ents:
+ entity_tokens.update(token.i for token in ent)
+
+ # Añadir nodos al grafo
+ for concept, freq in key_concepts:
+ G.add_node(concept.lower(), weight=freq)
+
+ # Analizar cada oración
+ for sent in doc.sents:
+ # Obtener conceptos en la oración actual, excluyendo entidades
+ current_concepts = []
+ for token in sent:
+ if (token.i not in entity_tokens and
+ token.lemma_.lower() in concept_words):
+ current_concepts.append(token.lemma_.lower())
+
+ # Crear conexiones entre conceptos en la misma oración
+ for i, concept1 in enumerate(current_concepts):
+ for concept2 in current_concepts[i+1:]:
+ if concept1 != concept2:
+ if G.has_edge(concept1, concept2):
+ G[concept1][concept2]['weight'] += 1
+ else:
+ G.add_edge(concept1, concept2, weight=1)
+
+ return G
+
+ except Exception as e:
+ logger.error(f"Error en create_concept_graph: {str(e)}")
+ return nx.Graph()
+
+###############################################################################
+
+def visualize_concept_graph(G, lang_code):
+ """
+ Visualiza el grafo de conceptos con layout consistente.
+ Args:
+ G: networkx.Graph - Grafo de conceptos
+ lang_code: str - Código del idioma
+ Returns:
+ matplotlib.figure.Figure - Figura del grafo
+ """
+ try:
+ # Crear nueva figura con mayor tamaño y definir los ejes explícitamente
+ fig, ax = plt.subplots(figsize=(15, 10))
+
+ if not G.nodes():
+ logger.warning("Grafo vacío, retornando figura vacía")
+ return fig
+
+ # Convertir grafo no dirigido a dirigido para mostrar flechas
+ DG = nx.DiGraph(G)
+
+ # Calcular centralidad de los nodos para el color
+ centrality = nx.degree_centrality(G)
+
+ # Establecer semilla para reproducibilidad
+ seed = 42
+
+ # Calcular layout con parámetros fijos
+ pos = nx.spring_layout(
+ DG,
+ k=2, # Distancia ideal entre nodos
+ iterations=50, # Número de iteraciones
+ seed=seed # Semilla fija para reproducibilidad
+ )
+
+ # Calcular factor de escala basado en número de nodos
+ num_nodes = len(DG.nodes())
+ scale_factor = 1000 if num_nodes < 10 else 500 if num_nodes < 20 else 200
+
+ # Obtener pesos ajustados
+ node_weights = [DG.nodes[node].get('weight', 1) * scale_factor for node in DG.nodes()]
+ edge_weights = [DG[u][v].get('weight', 1) for u, v in DG.edges()]
+
+ # Crear mapa de colores basado en centralidad
+ node_colors = [plt.cm.viridis(centrality[node]) for node in DG.nodes()]
+
+ # Dibujar nodos
+ nodes = nx.draw_networkx_nodes(
+ DG,
+ pos,
+ node_size=node_weights,
+ node_color=node_colors,
+ alpha=0.7,
+ ax=ax
+ )
+
+ # Dibujar aristas con flechas
+ edges = nx.draw_networkx_edges(
+ DG,
+ pos,
+ width=edge_weights,
+ alpha=0.6,
+ edge_color='gray',
+ arrows=True,
+ arrowsize=20,
+ arrowstyle='->',
+ connectionstyle='arc3,rad=0.2',
+ ax=ax
+ )
+
+ # Ajustar tamaño de fuente según número de nodos
+ font_size = 12 if num_nodes < 10 else 10 if num_nodes < 20 else 8
+
+ # Dibujar etiquetas con fondo blanco para mejor legibilidad
+ labels = nx.draw_networkx_labels(
+ DG,
+ pos,
+ font_size=font_size,
+ font_weight='bold',
+ bbox=dict(
+ facecolor='white',
+ edgecolor='none',
+ alpha=0.7
+ ),
+ ax=ax
+ )
+
+ # Añadir leyenda de centralidad
+ sm = plt.cm.ScalarMappable(
+ cmap=plt.cm.viridis,
+ norm=plt.Normalize(vmin=0, vmax=1)
+ )
+ sm.set_array([])
+ plt.colorbar(sm, ax=ax, label='Centralidad del concepto')
+
+ plt.title("Red de conceptos relacionados", pad=20, fontsize=14)
+ ax.set_axis_off()
+
+ # Ajustar el layout para que la barra de color no se superponga
+ plt.tight_layout()
+
+ return fig
+
+ except Exception as e:
+ logger.error(f"Error en visualize_concept_graph: {str(e)}")
+ return plt.figure() # Retornar figura vacía en caso de error
+
+########################################################################
+def create_entity_graph(entities):
+ G = nx.Graph()
+ for entity_type, entity_list in entities.items():
+ for entity in entity_list:
+ G.add_node(entity, type=entity_type)
+ for i, entity1 in enumerate(entity_list):
+ for entity2 in entity_list[i+1:]:
+ G.add_edge(entity1, entity2)
+ return G
+
+
+#############################################################
+def visualize_entity_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ for entity_type, color in ENTITY_LABELS[lang_code].items():
+ node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
+ nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
+ nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
+ ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+
+#################################################################################
+def create_topic_graph(topics, doc):
+ G = nx.Graph()
+ for topic in topics:
+ G.add_node(topic, weight=doc.text.count(topic))
+ for i, topic1 in enumerate(topics):
+ for topic2 in topics[i+1:]:
+ weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
+ if weight > 0:
+ G.add_edge(topic1, topic2, weight=weight)
+ return G
+
+def visualize_topic_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
+ nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
+ edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
+ nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
+ ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+###########################################################################################
+def generate_summary(doc, lang_code):
+ sentences = list(doc.sents)
+ summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
+ return " ".join([sent.text for sent in summary])
+
+def extract_entities(doc, lang_code):
+ entities = defaultdict(list)
+ for ent in doc.ents:
+ if ent.label_ in ENTITY_LABELS[lang_code]:
+ entities[ent.label_].append(ent.text)
+ return dict(entities)
+
+def analyze_sentiment(doc, lang_code):
+ positive_words = sum(1 for token in doc if token.sentiment > 0)
+ negative_words = sum(1 for token in doc if token.sentiment < 0)
+ total_words = len(doc)
+ if positive_words > negative_words:
+ return "Positivo"
+ elif negative_words > positive_words:
+ return "Negativo"
+ else:
+ return "Neutral"
+
+def extract_topics(doc, lang_code):
+ vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
+ tfidf_matrix = vectorizer.fit_transform([doc.text])
+ feature_names = vectorizer.get_feature_names_out()
+ return list(feature_names)
+
+# Asegúrate de que todas las funciones necesarias estén exportadas
+__all__ = [
+ 'perform_semantic_analysis',
+ 'identify_key_concepts',
+ 'create_concept_graph',
+ 'visualize_concept_graph',
+ 'fig_to_bytes', # Faltaba esta coma
+ 'ENTITY_LABELS',
+ 'POS_COLORS',
+ 'POS_TRANSLATIONS'
]
\ No newline at end of file
diff --git a/modules/text_analysis/stopwords.py b/modules/text_analysis/stopwords.py
index 38feeeb41ba539c0b226c8e4e86462408a2fec4c..844d14f3a10108599907f31e65e63d0189e744d0 100644
--- a/modules/text_analysis/stopwords.py
+++ b/modules/text_analysis/stopwords.py
@@ -1,188 +1,188 @@
-# modules/text_analysis/stopwords.py
-import spacy
-from typing import Set, List
-
-def get_custom_stopwords(lang_code: str) -> Set[str]:
- """
- Retorna un conjunto de stopwords personalizadas según el idioma.
- """
- # Stopwords base en español
- # Símbolos, números y caracteres especiales
-
- SYMBOLS_AND_NUMBERS = {
- # Números
- '0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
-
- # Signos de puntuación básicos
- '.', ',', ';', ':', '!', '¡', '?', '¿', '"', "'",
-
- # Símbolos matemáticos
- '+', '-', '*', '/', '=', '<', '>', '%',
-
- # Paréntesis y otros delimitadores
- '(', ')', '[', ']', '{', '}',
-
- # Otros símbolos comunes
- '@', '#', '$', '€', '£', '¥', '&', '_', '|', '\\', '/',
-
- # Caracteres especiales
- '•', '·', '…', '—', '–', '°', '´', '`', '^', '¨',
-
- # Símbolos de ordenamiento
- '§', '†', '‡', '¶',
-
- # Símbolos de copyright y marcas registradas
- '©', '®', '™',
-
- # Fracciones comunes
- '½', '¼', '¾', '⅓', '⅔',
-
- # Otros caracteres especiales
- '±', '×', '÷', '∞', '≠', '≤', '≥', '≈', '∑', '∏', '√',
-
- # Espacios y caracteres de control
- ' ', '\t', '\n', '\r', '\f', '\v'
-}
- spanish_stopwords = {
- 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas', 'y', 'o', 'pero', 'si',
- 'de', 'del', 'al', 'a', 'ante', 'bajo', 'cabe', 'con', 'contra', 'de', 'desde',
- 'en', 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin', 'sobre', 'tras',
- 'que', 'más', 'este', 'esta', 'estos', 'estas', 'ese', 'esa', 'esos', 'esas',
- 'muy', 'mucho', 'muchos', 'muchas', 'ser', 'estar', 'tener', 'hacer', 'como',
- 'cuando', 'donde', 'quien', 'cual', 'mientras', 'sino', 'pues', 'porque',
- 'cada', 'cual', 'cuales', 'cuanta', 'cuantas', 'cuanto', 'cuantos', 'uno', 'dos', 'tres', 'cuatro', 'cinco', 'seis', 'siete', 'ocho', 'nueve', 'diez',
- 'once', 'doce', 'trece', 'catorce', 'quince', 'dieciséis', 'diecisiete', 'dieciocho', 'diecinueve', 'veinte',
- 'treinta', 'cuarenta', 'cincuenta', 'sesenta', 'setenta', 'ochenta', 'noventa', 'cien', 'mil', 'millón',
- 'primero', 'segundo', 'tercero', 'cuarto', 'quinto', 'sexto', 'séptimo', 'octavo', 'noveno', 'décimo'
- }
-
- # Stopwords base en inglés
- english_stopwords = {
- 'the', 'be', 'to', 'of', 'and', 'a', 'in', 'that', 'have', 'i', 'it', 'for',
- 'not', 'on', 'with', 'he', 'as', 'you', 'do', 'at', 'this', 'but', 'his',
- 'by', 'from', 'they', 'we', 'say', 'her', 'she', 'or', 'an', 'will', 'my',
- 'one', 'all', 'would', 'there', 'their', 'what', 'so', 'up', 'out', 'if',
- 'about', 'who', 'get', 'which', 'go', 'me', 'one', 'two', 'three', 'four', 'five', 'six', 'seven', 'eight', 'nine', 'ten',
- 'eleven', 'twelve', 'thirteen', 'fourteen', 'fifteen', 'sixteen', 'seventeen', 'eighteen', 'nineteen', 'twenty',
- 'thirty', 'forty', 'fifty', 'sixty', 'seventy', 'eighty', 'ninety', 'hundred', 'thousand', 'million',
- 'first', 'second', 'third', 'fourth', 'fifth', 'sixth', 'seventh', 'eighth', 'ninth', 'tenth'
- }
-
- french_stopwords = {
- 'le', 'la', 'les', 'un', 'une', 'des', 'du', 'de', 'et', 'ou', 'mais', 'si',
- 'à', 'dans', 'sur', 'pour', 'en', 'vers', 'par', 'avec', 'sans', 'sous', 'sur',
- 'que', 'qui', 'quoi', 'dont', 'où', 'quand', 'comment', 'pourquoi',
- 'ce', 'cet', 'cette', 'ces', 'mon', 'ton', 'son', 'ma', 'ta', 'sa',
- 'mes', 'tes', 'ses', 'notre', 'votre', 'leur', 'nos', 'vos', 'leurs',
- 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils', 'elles',
- 'me', 'te', 'se', 'lui', 'leur', 'y', 'en', 'plus', 'moins',
- 'très', 'trop', 'peu', 'beaucoup', 'assez', 'tout', 'toute', 'tous', 'toutes',
- 'autre', 'autres', 'même', 'mêmes', 'tel', 'telle', 'tels', 'telles',
- 'quel', 'quelle', 'quels', 'quelles', 'quelque', 'quelques',
- 'aucun', 'aucune', 'aucuns', 'aucunes', 'plusieurs', 'chaque',
- 'être', 'avoir', 'faire', 'dire', 'aller', 'venir', 'voir', 'savoir',
- 'pouvoir', 'vouloir', 'falloir', 'devoir', 'croire', 'sembler',
- 'alors', 'ainsi', 'car', 'donc', 'or', 'ni', 'ne', 'pas', 'plus',
- 'jamais', 'toujours', 'parfois', 'souvent', 'maintenant', 'après',
- 'avant', 'pendant', 'depuis', 'déjà', 'encore', 'ici', 'là',
- 'oui', 'non', 'peut-être', 'bien', 'mal', 'aussi', 'surtout',
- 'c\'est', 'j\'ai', 'n\'est', 'd\'un', 'd\'une', 'qu\'il', 'qu\'elle',
- 'un', 'deux', 'trois', 'quatre', 'cinq', 'six', 'sept', 'huit', 'neuf', 'dix',
- 'onze', 'douze', 'treize', 'quatorze', 'quinze', 'seize', 'dix-sept', 'dix-huit', 'dix-neuf', 'vingt',
- 'trente', 'quarante', 'cinquante', 'soixante', 'soixante-dix', 'quatre-vingts', 'quatre-vingt-dix', 'cent', 'mille', 'million',
- 'premier', 'deuxième', 'troisième', 'quatrième', 'cinquième', 'sixième', 'septième', 'huitième', 'neuvième', 'dixième'
-}
-
- stopwords_dict = {
- 'es': spanish_stopwords,
- 'en': english_stopwords,
- 'fr': french_stopwords
- }
-
- # Obtener stopwords del idioma especificado o devolver conjunto vacío si no existe
- return stopwords_dict.get(lang_code, set())
-
-def process_text(text: str, lang_code: str, nlp) -> List[str]:
- """
- Procesa un texto completo, removiendo stopwords, símbolos y números.
-
- Args:
- text (str): Texto a procesar
- lang_code (str): Código del idioma ('es', 'en', 'fr')
- nlp: Modelo de spaCy cargado
-
- Returns:
- List[str]: Lista de tokens procesados
- """
- try:
- # Obtener stopwords personalizadas
- custom_stopwords = get_custom_stopwords(lang_code)
-
- # Procesar el texto con spaCy
- doc = nlp(text)
-
- # Filtrar y procesar tokens
- processed_tokens = []
- for token in doc:
- # Convertir a minúsculas y obtener el lema
- lemma = token.lemma_.lower()
-
- # Aplicar filtros
- if (len(lemma) >= 2 and # Longitud mínima
- lemma not in custom_stopwords and # No es stopword
- not token.is_punct and # No es puntuación
- not token.is_space and # No es espacio
- lemma not in SYMBOLS_AND_NUMBERS and # No es símbolo o número
- not any(char in string.punctuation for char in lemma) and # No contiene puntuación
- not any(char.isdigit() for char in lemma)): # No contiene números
-
- processed_tokens.append(lemma)
-
- return processed_tokens
-
- except Exception as e:
- logger.error(f"Error en process_text: {str(e)}")
- return []
-
-def clean_text(text: str) -> str:
- """
- Limpia un texto removiendo caracteres especiales y normalizando espacios.
-
- Args:
- text (str): Texto a limpiar
-
- Returns:
- str: Texto limpio
- """
- # Remover caracteres especiales y números
- cleaned = ''.join(char for char in text if char not in SYMBOLS_AND_NUMBERS)
-
- # Normalizar espacios
- cleaned = ' '.join(cleaned.split())
-
- return cleaned.strip()
-
-def get_stopwords_for_spacy(lang_code: str, nlp) -> Set[str]:
- """
- Combina stopwords personalizadas con las de spaCy.
-
- Args:
- lang_code (str): Código del idioma
- nlp: Modelo de spaCy
-
- Returns:
- Set[str]: Conjunto combinado de stopwords
- """
- custom_stops = get_custom_stopwords(lang_code)
- spacy_stops = nlp.Defaults.stop_words if hasattr(nlp.Defaults, 'stop_words') else set()
-
- return custom_stops.union(spacy_stops)
-
-# Asegúrate de exportar todas las funciones necesarias
-__all__ = [
- 'get_custom_stopwords',
- 'process_text',
- 'clean_text',
- 'get_stopwords_for_spacy',
- 'SYMBOLS_AND_NUMBERS'
+# modules/text_analysis/stopwords.py
+import spacy
+from typing import Set, List
+
+def get_custom_stopwords(lang_code: str) -> Set[str]:
+ """
+ Retorna un conjunto de stopwords personalizadas según el idioma.
+ """
+ # Stopwords base en español
+ # Símbolos, números y caracteres especiales
+
+ SYMBOLS_AND_NUMBERS = {
+ # Números
+ '0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
+
+ # Signos de puntuación básicos
+ '.', ',', ';', ':', '!', '¡', '?', '¿', '"', "'",
+
+ # Símbolos matemáticos
+ '+', '-', '*', '/', '=', '<', '>', '%',
+
+ # Paréntesis y otros delimitadores
+ '(', ')', '[', ']', '{', '}',
+
+ # Otros símbolos comunes
+ '@', '#', '$', '€', '£', '¥', '&', '_', '|', '\\', '/',
+
+ # Caracteres especiales
+ '•', '·', '…', '—', '–', '°', '´', '`', '^', '¨',
+
+ # Símbolos de ordenamiento
+ '§', '†', '‡', '¶',
+
+ # Símbolos de copyright y marcas registradas
+ '©', '®', '™',
+
+ # Fracciones comunes
+ '½', '¼', '¾', '⅓', '⅔',
+
+ # Otros caracteres especiales
+ '±', '×', '÷', '∞', '≠', '≤', '≥', '≈', '∑', '∏', '√',
+
+ # Espacios y caracteres de control
+ ' ', '\t', '\n', '\r', '\f', '\v'
+}
+ spanish_stopwords = {
+ 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas', 'y', 'o', 'pero', 'si',
+ 'de', 'del', 'al', 'a', 'ante', 'bajo', 'cabe', 'con', 'contra', 'de', 'desde',
+ 'en', 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin', 'sobre', 'tras',
+ 'que', 'más', 'este', 'esta', 'estos', 'estas', 'ese', 'esa', 'esos', 'esas',
+ 'muy', 'mucho', 'muchos', 'muchas', 'ser', 'estar', 'tener', 'hacer', 'como',
+ 'cuando', 'donde', 'quien', 'cual', 'mientras', 'sino', 'pues', 'porque',
+ 'cada', 'cual', 'cuales', 'cuanta', 'cuantas', 'cuanto', 'cuantos', 'uno', 'dos', 'tres', 'cuatro', 'cinco', 'seis', 'siete', 'ocho', 'nueve', 'diez',
+ 'once', 'doce', 'trece', 'catorce', 'quince', 'dieciséis', 'diecisiete', 'dieciocho', 'diecinueve', 'veinte',
+ 'treinta', 'cuarenta', 'cincuenta', 'sesenta', 'setenta', 'ochenta', 'noventa', 'cien', 'mil', 'millón',
+ 'primero', 'segundo', 'tercero', 'cuarto', 'quinto', 'sexto', 'séptimo', 'octavo', 'noveno', 'décimo'
+ }
+
+ # Stopwords base en inglés
+ english_stopwords = {
+ 'the', 'be', 'to', 'of', 'and', 'a', 'in', 'that', 'have', 'i', 'it', 'for',
+ 'not', 'on', 'with', 'he', 'as', 'you', 'do', 'at', 'this', 'but', 'his',
+ 'by', 'from', 'they', 'we', 'say', 'her', 'she', 'or', 'an', 'will', 'my',
+ 'one', 'all', 'would', 'there', 'their', 'what', 'so', 'up', 'out', 'if',
+ 'about', 'who', 'get', 'which', 'go', 'me', 'one', 'two', 'three', 'four', 'five', 'six', 'seven', 'eight', 'nine', 'ten',
+ 'eleven', 'twelve', 'thirteen', 'fourteen', 'fifteen', 'sixteen', 'seventeen', 'eighteen', 'nineteen', 'twenty',
+ 'thirty', 'forty', 'fifty', 'sixty', 'seventy', 'eighty', 'ninety', 'hundred', 'thousand', 'million',
+ 'first', 'second', 'third', 'fourth', 'fifth', 'sixth', 'seventh', 'eighth', 'ninth', 'tenth'
+ }
+
+ french_stopwords = {
+ 'le', 'la', 'les', 'un', 'une', 'des', 'du', 'de', 'et', 'ou', 'mais', 'si',
+ 'à', 'dans', 'sur', 'pour', 'en', 'vers', 'par', 'avec', 'sans', 'sous', 'sur',
+ 'que', 'qui', 'quoi', 'dont', 'où', 'quand', 'comment', 'pourquoi',
+ 'ce', 'cet', 'cette', 'ces', 'mon', 'ton', 'son', 'ma', 'ta', 'sa',
+ 'mes', 'tes', 'ses', 'notre', 'votre', 'leur', 'nos', 'vos', 'leurs',
+ 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils', 'elles',
+ 'me', 'te', 'se', 'lui', 'leur', 'y', 'en', 'plus', 'moins',
+ 'très', 'trop', 'peu', 'beaucoup', 'assez', 'tout', 'toute', 'tous', 'toutes',
+ 'autre', 'autres', 'même', 'mêmes', 'tel', 'telle', 'tels', 'telles',
+ 'quel', 'quelle', 'quels', 'quelles', 'quelque', 'quelques',
+ 'aucun', 'aucune', 'aucuns', 'aucunes', 'plusieurs', 'chaque',
+ 'être', 'avoir', 'faire', 'dire', 'aller', 'venir', 'voir', 'savoir',
+ 'pouvoir', 'vouloir', 'falloir', 'devoir', 'croire', 'sembler',
+ 'alors', 'ainsi', 'car', 'donc', 'or', 'ni', 'ne', 'pas', 'plus',
+ 'jamais', 'toujours', 'parfois', 'souvent', 'maintenant', 'après',
+ 'avant', 'pendant', 'depuis', 'déjà', 'encore', 'ici', 'là',
+ 'oui', 'non', 'peut-être', 'bien', 'mal', 'aussi', 'surtout',
+ 'c\'est', 'j\'ai', 'n\'est', 'd\'un', 'd\'une', 'qu\'il', 'qu\'elle',
+ 'un', 'deux', 'trois', 'quatre', 'cinq', 'six', 'sept', 'huit', 'neuf', 'dix',
+ 'onze', 'douze', 'treize', 'quatorze', 'quinze', 'seize', 'dix-sept', 'dix-huit', 'dix-neuf', 'vingt',
+ 'trente', 'quarante', 'cinquante', 'soixante', 'soixante-dix', 'quatre-vingts', 'quatre-vingt-dix', 'cent', 'mille', 'million',
+ 'premier', 'deuxième', 'troisième', 'quatrième', 'cinquième', 'sixième', 'septième', 'huitième', 'neuvième', 'dixième'
+}
+
+ stopwords_dict = {
+ 'es': spanish_stopwords,
+ 'en': english_stopwords,
+ 'fr': french_stopwords
+ }
+
+ # Obtener stopwords del idioma especificado o devolver conjunto vacío si no existe
+ return stopwords_dict.get(lang_code, set())
+
+def process_text(text: str, lang_code: str, nlp) -> List[str]:
+ """
+ Procesa un texto completo, removiendo stopwords, símbolos y números.
+
+ Args:
+ text (str): Texto a procesar
+ lang_code (str): Código del idioma ('es', 'en', 'fr')
+ nlp: Modelo de spaCy cargado
+
+ Returns:
+ List[str]: Lista de tokens procesados
+ """
+ try:
+ # Obtener stopwords personalizadas
+ custom_stopwords = get_custom_stopwords(lang_code)
+
+ # Procesar el texto con spaCy
+ doc = nlp(text)
+
+ # Filtrar y procesar tokens
+ processed_tokens = []
+ for token in doc:
+ # Convertir a minúsculas y obtener el lema
+ lemma = token.lemma_.lower()
+
+ # Aplicar filtros
+ if (len(lemma) >= 2 and # Longitud mínima
+ lemma not in custom_stopwords and # No es stopword
+ not token.is_punct and # No es puntuación
+ not token.is_space and # No es espacio
+ lemma not in SYMBOLS_AND_NUMBERS and # No es símbolo o número
+ not any(char in string.punctuation for char in lemma) and # No contiene puntuación
+ not any(char.isdigit() for char in lemma)): # No contiene números
+
+ processed_tokens.append(lemma)
+
+ return processed_tokens
+
+ except Exception as e:
+ logger.error(f"Error en process_text: {str(e)}")
+ return []
+
+def clean_text(text: str) -> str:
+ """
+ Limpia un texto removiendo caracteres especiales y normalizando espacios.
+
+ Args:
+ text (str): Texto a limpiar
+
+ Returns:
+ str: Texto limpio
+ """
+ # Remover caracteres especiales y números
+ cleaned = ''.join(char for char in text if char not in SYMBOLS_AND_NUMBERS)
+
+ # Normalizar espacios
+ cleaned = ' '.join(cleaned.split())
+
+ return cleaned.strip()
+
+def get_stopwords_for_spacy(lang_code: str, nlp) -> Set[str]:
+ """
+ Combina stopwords personalizadas con las de spaCy.
+
+ Args:
+ lang_code (str): Código del idioma
+ nlp: Modelo de spaCy
+
+ Returns:
+ Set[str]: Conjunto combinado de stopwords
+ """
+ custom_stops = get_custom_stopwords(lang_code)
+ spacy_stops = nlp.Defaults.stop_words if hasattr(nlp.Defaults, 'stop_words') else set()
+
+ return custom_stops.union(spacy_stops)
+
+# Asegúrate de exportar todas las funciones necesarias
+__all__ = [
+ 'get_custom_stopwords',
+ 'process_text',
+ 'clean_text',
+ 'get_stopwords_for_spacy',
+ 'SYMBOLS_AND_NUMBERS'
]
\ No newline at end of file
diff --git a/modules/ui/user_page.py b/modules/ui/user_page.py
index ff44223fd5a21bf4a42e90fa3c51984ca14a9a48..db72111a1908b9aecef03bbcea96bd8b71df8b65 100644
--- a/modules/ui/user_page.py
+++ b/modules/ui/user_page.py
@@ -1,349 +1,349 @@
-import streamlit as st
-import logging
-from datetime import datetime, timezone
-from dateutil.parser import parse
-
-# Configuración del logger
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-#Importaciones locales.
-
-from ..utils.widget_utils import generate_unique_key
-from session_state import initialize_session_state, logout
-
-from translations import get_translations
-
-from ..auth.auth import authenticate_user, authenticate_student, authenticate_admin
-
-from ..admin.admin_ui import admin_page
-
-from ..chatbot import display_sidebar_chat
-
-# Students activities
-from ..studentact.student_activities_v2 import display_student_activities
-from ..studentact.current_situation_interface import display_current_situation_interface
-from ..studentact.current_situation_analysis import analyze_text_dimensions
-
-
-##Importaciones desde la configuración de bases datos #######
-
-from ..database.sql_db import (
- get_user,
- get_admin_user,
- get_student_user,
- get_teacher_user,
- create_user,
- create_student_user,
- create_teacher_user,
- create_admin_user,
- update_student_user, # Agregada
- delete_student_user, # Agregada
- record_login,
- record_logout,
- get_recent_sessions,
- get_user_total_time,
- store_application_request,
- store_student_feedback
-)
-
-from ..database.mongo_db import (
- get_collection,
- insert_document,
- find_documents,
- update_document,
- delete_document
-)
-
-from ..database.morphosintax_mongo_db import (
- store_student_morphosyntax_result,
- get_student_morphosyntax_analysis,
- update_student_morphosyntax_analysis,
- delete_student_morphosyntax_analysis,
- get_student_morphosyntax_data
-)
-
-from ..database.chat_mongo_db import store_chat_history, get_chat_history
-
-##Importaciones desde los análisis #######
-from ..morphosyntax.morphosyntax_interface import (
- display_morphosyntax_interface,
- display_arc_diagram
-)
-
-from ..semantic.semantic_interface import (
- display_semantic_interface,
- display_semantic_results
-)
-
-from ..semantic.semantic_live_interface import display_semantic_live_interface
-
-from ..discourse.discourse_live_interface import display_discourse_live_interface
-
-from ..discourse.discourse_interface import ( # Agregar esta importación
- display_discourse_interface,
- display_discourse_results
-)
-
-
-
-####################################################################################
-def user_page(lang_code, t):
- logger.info(f"Entrando en user_page para el estudiante: {st.session_state.username}")
-
- # Inicializar el tab seleccionado si no existe
- if 'selected_tab' not in st.session_state:
- st.session_state.selected_tab = 0
-
- # Inicializar el estado del análisis en vivo
- if 'semantic_live_active' not in st.session_state:
- st.session_state.semantic_live_active = False
-
- # Manejar la carga inicial de datos del usuario
- if 'user_data' not in st.session_state:
- with st.spinner(t.get('loading_data', "Cargando tus datos...")):
- try:
- st.session_state.user_data = get_student_morphosyntax_data(st.session_state.username)
- st.session_state.last_data_fetch = datetime.now(timezone.utc).isoformat()
- except Exception as e:
- logger.error(f"Error al obtener datos del usuario: {str(e)}")
- st.error(t.get('data_load_error', "Hubo un problema al cargar tus datos. Por favor, intenta recargar la página."))
- return
-
- logger.info(f"Idioma actual: {st.session_state.lang_code}")
- logger.info(f"Modelos NLP cargados: {'nlp_models' in st.session_state}")
-
- # Configuración de idiomas disponibles
- languages = {'Español': 'es', 'English': 'en', 'Français': 'fr', 'Português': 'pt'}
-
- # Estilos CSS personalizados
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Barra superior con información del usuario y controles
- with st.container():
- col1, col2, col3 = st.columns([2, 2, 1])
- with col1:
- st.markdown(f"
', unsafe_allow_html=True)
+ chat_history = st.session_state.get('semantic_chat_history', [])
+ for message in chat_history:
+ with st.chat_message(message["role"]):
+ st.write(message["content"])
+ st.markdown('
', unsafe_allow_html=True)
+
+ user_input = st.chat_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+
+ if user_input:
+ chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code)
+
+ chat_history.append({"role": "assistant", "content": response})
+ st.session_state.semantic_chat_history = chat_history
+
+ if st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat')):
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ st.markdown('', unsafe_allow_html=True)
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+ else:
+ st.info("No entity graph available. Please analyze a document first.")
st.markdown('
', unsafe_allow_html=True)
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_5.py b/modules/semantic/semantic_interface_5.py
index b9d8a0e565a92c0c140a7af0f672cf489b50ddb9..b9c2c13e29ee1fe2b8048e233b65bcaaa02af6fc 100644
--- a/modules/semantic/semantic_interface_5.py
+++ b/modules/semantic/semantic_interface_5.py
@@ -1,195 +1,195 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Estilo CSS personalizado
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- st.subheader("Chat with AI")
-
- chat_container = st.container()
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
- else:
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Estilo CSS personalizado
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ st.subheader("Chat with AI")
+
+ chat_container = st.container()
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+ else:
st.info("No entity graph available. Please analyze a document first.")
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_6.py b/modules/semantic/semantic_interface_6.py
index 38df59957615774686e19ed33325ff346f948c7b..6b9e483a32c03f1fc3dbf0a6aa2e65f71a284e35 100644
--- a/modules/semantic/semantic_interface_6.py
+++ b/modules/semantic/semantic_interface_6.py
@@ -1,223 +1,223 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
-
-logger = logging.getLogger(__name__)
-semantic_float_init()
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document"):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
-
- # Crear el grafo flotante
- if 'graph_id' not in st.session_state:
- st.session_state.graph_id = float_graph(
- content="Loading graph...
",
- width="40%",
- height="60%",
- position="bottom-right",
- shadow=2,
- transition=1
- )
-
- # Actualizar el contenido del grafo flotante
- update_float_content(st.session_state.graph_id, f"""
- Key Concepts:
-{', '.join([f"{concept}: {freq:.2f}" for concept, freq in key_concepts])}
-
- """)
-
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- st.session_state.concept_graph = None
- st.session_state.entity_graph = None
- st.session_state.key_concepts = []
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- with st.expander("Chat with AI", expanded=True):
- chat_container = st.container()
-
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state and st.session_state.concept_graph:
- st.image(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state and st.session_state.entity_graph:
- st.image(st.session_state.entity_graph)
- else:
- st.info("No entity graph available. Please analyze a document first.")
-
- # Botón para cerrar el grafo flotante
- if st.button("Close Graph", key="close_graph"):
- if 'graph_id' in st.session_state:
- toggle_float_visibility(st.session_state.graph_id, False)
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
+
+logger = logging.getLogger(__name__)
+semantic_float_init()
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document"):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+
+ # Crear el grafo flotante
+ if 'graph_id' not in st.session_state:
+ st.session_state.graph_id = float_graph(
+ content="Loading graph...
",
+ width="40%",
+ height="60%",
+ position="bottom-right",
+ shadow=2,
+ transition=1
+ )
+
+ # Actualizar el contenido del grafo flotante
+ update_float_content(st.session_state.graph_id, f"""
+ Key Concepts:
+{', '.join([f"{concept}: {freq:.2f}" for concept, freq in key_concepts])}
+
+ """)
+
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ st.session_state.concept_graph = None
+ st.session_state.entity_graph = None
+ st.session_state.key_concepts = []
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ with st.expander("Chat with AI", expanded=True):
+ chat_container = st.container()
+
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state and st.session_state.concept_graph:
+ st.image(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state and st.session_state.entity_graph:
+ st.image(st.session_state.entity_graph)
+ else:
+ st.info("No entity graph available. Please analyze a document first.")
+
+ # Botón para cerrar el grafo flotante
+ if st.button("Close Graph", key="close_graph"):
+ if 'graph_id' in st.session_state:
+ toggle_float_visibility(st.session_state.graph_id, False)
del st.session_state.graph_id
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_6_Ok-23-9-24.py b/modules/semantic/semantic_interface_6_Ok-23-9-24.py
index bcefdcf92a7c7f4f828d3ca74a88cd0132c3c27a..c56fcc1da26f832d7e3e5037453ed17469943284 100644
--- a/modules/semantic/semantic_interface_6_Ok-23-9-24.py
+++ b/modules/semantic/semantic_interface_6_Ok-23-9-24.py
@@ -1,223 +1,223 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
-
-logger = logging.getLogger(__name__)
-semantic_float_init()
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document"):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
-
- # Crear el grafo flotante
- if 'graph_id' not in st.session_state:
- st.session_state.graph_id = float_graph(
- content="Loading graph...
",
- width="40%",
- height="60%",
- position="bottom-right",
- shadow=2,
- transition=1
- )
-
- # Actualizar el contenido del grafo flotante
- update_float_content(st.session_state.graph_id, f"""
- Key Concepts:
-{', '.join([f"{concept}: {freq:.2f}" for concept, freq in key_concepts])}
-
- """)
-
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- st.session_state.concept_graph = None
- st.session_state.entity_graph = None
- st.session_state.key_concepts = []
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- with st.expander("Chat with AI", expanded=True):
- chat_container = st.container()
-
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state and st.session_state.concept_graph:
- st.image(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state and st.session_state.entity_graph:
- st.image(st.session_state.entity_graph)
- else:
- st.info("No entity graph available. Please analyze a document first.")
-
- # Botón para cerrar el grafo flotante
- if st.button("Close Graph", key="close_graph"):
- if 'graph_id' in st.session_state:
- toggle_float_visibility(st.session_state.graph_id, False)
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+from .semantic_float_reset import semantic_float_init, float_graph, toggle_float_visibility, update_float_content
+
+logger = logging.getLogger(__name__)
+semantic_float_init()
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document"):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+
+ # Crear el grafo flotante
+ if 'graph_id' not in st.session_state:
+ st.session_state.graph_id = float_graph(
+ content="Loading graph...
",
+ width="40%",
+ height="60%",
+ position="bottom-right",
+ shadow=2,
+ transition=1
+ )
+
+ # Actualizar el contenido del grafo flotante
+ update_float_content(st.session_state.graph_id, f"""
+ Key Concepts:
+{', '.join([f"{concept}: {freq:.2f}" for concept, freq in key_concepts])}
+
+ """)
+
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ st.session_state.concept_graph = None
+ st.session_state.entity_graph = None
+ st.session_state.key_concepts = []
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ with st.expander("Chat with AI", expanded=True):
+ chat_container = st.container()
+
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state and st.session_state.concept_graph:
+ st.image(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state and st.session_state.entity_graph:
+ st.image(st.session_state.entity_graph)
+ else:
+ st.info("No entity graph available. Please analyze a document first.")
+
+ # Botón para cerrar el grafo flotante
+ if st.button("Close Graph", key="close_graph"):
+ if 'graph_id' in st.session_state:
+ toggle_float_visibility(st.session_state.graph_id, False)
del st.session_state.graph_id
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_6_StarPoint.py b/modules/semantic/semantic_interface_6_StarPoint.py
index b251f023c01e4c0d042605a5a97477c2269670e9..128c21dd4422f723c9b35a7484ab0b2af79f69d2 100644
--- a/modules/semantic/semantic_interface_6_StarPoint.py
+++ b/modules/semantic/semantic_interface_6_StarPoint.py
@@ -1,196 +1,196 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- with st.expander("Chat with AI", expanded=True):
- chat_container = st.container()
-
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
-
- col1, col2 = st.columns([3, 1])
-
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
- else:
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ with st.expander("Chat with AI", expanded=True):
+ chat_container = st.container()
+
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+
+ col1, col2 = st.columns([3, 1])
+
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+ else:
st.info("No entity graph available. Please analyze a document first.")
\ No newline at end of file
diff --git a/modules/semantic/semantic_interface_7.py b/modules/semantic/semantic_interface_7.py
index 650182ceb40ce32885615517efeb32786009d996..26893a836e36378aad6d6fbc4a259bb7a9126b22 100644
--- a/modules/semantic/semantic_interface_7.py
+++ b/modules/semantic/semantic_interface_7.py
@@ -1,201 +1,201 @@
-import streamlit as st
-import logging
-from .semantic_process import process_semantic_analysis
-from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
-from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-def get_translation(t, key, default):
- return t.get(key, default)
-
-def display_semantic_interface(lang_code, nlp_models, t):
- # Inicializar el chatbot y el historial del chat al principio de la función
- if 'semantic_chatbot' not in st.session_state:
- st.session_state.semantic_chatbot = initialize_chatbot('semantic')
-
- if 'semantic_chat_history' not in st.session_state:
- st.session_state.semantic_chat_history = []
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Mostrar el mensaje inicial como un párrafo estilizado
- st.markdown(f"""
-
- """, unsafe_allow_html=True)
-
- tab1, tab2 = st.tabs(["Upload", "Analyze"])
-
- with tab1:
- st.subheader("File Management")
- uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
- if uploaded_file is not None:
- file_contents = uploaded_file.getvalue().decode('utf-8')
- if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
- st.success(f"File {uploaded_file.name} uploaded and saved successfully")
- else:
- st.error("Error uploading file")
-
- st.markdown("---") # Línea separadora
-
- st.subheader("Manage Uploaded Files")
- user_files = get_user_files(st.session_state.username, 'semantic')
- if user_files:
- for file in user_files:
- col1, col2 = st.columns([3, 1])
- with col1:
- st.write(file['file_name'])
- with col2:
- if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
- if delete_file(st.session_state.username, file['file_name'], 'semantic'):
- st.success(f"File {file['file_name']} deleted successfully")
- st.rerun()
- else:
- st.error(f"Error deleting file {file['file_name']}")
- else:
- st.info("No files uploaded yet.")
-
- with tab2:
- st.subheader("Select File for Analysis")
- user_files = get_user_files(st.session_state.username, 'semantic')
- file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
- selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
-
- if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
- if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
- file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
- if file_contents:
- st.session_state.file_contents = file_contents
- with st.spinner("Analyzing..."):
- try:
- nlp_model = nlp_models[lang_code]
- concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
- st.session_state.concept_graph = concept_graph
- st.session_state.entity_graph = entity_graph
- st.session_state.key_concepts = key_concepts
- st.success("Analysis completed successfully")
- except Exception as e:
- logger.error(f"Error during analysis: {str(e)}")
- st.error(f"Error during analysis: {str(e)}")
- else:
- st.error("Error loading file contents")
- else:
- st.error("Please select a file to analyze")
-
- # Chat and Visualization
- with st.container():
- col_chat, col_graph = st.columns([1, 1])
-
- with col_chat:
- st.subheader("Chat with AI")
-
- chat_container = st.container()
- with chat_container:
- for message in st.session_state.semantic_chat_history:
- with st.chat_message(message["role"]):
- st.markdown(message["content"])
-
- user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
- col1, col2 = st.columns([3, 1])
- with col1:
- send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
- with col2:
- clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
-
- if send_button and user_input:
- st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
-
- if user_input.startswith('/analyze_current'):
- response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
- else:
- response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
-
- st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
- st.rerun()
-
- if clear_button:
- st.session_state.semantic_chat_history = []
- st.rerun()
-
- with col_graph:
- st.subheader("Visualization")
- if 'key_concepts' in st.session_state:
- st.write("Key Concepts:")
- st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
-
- tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
-
- with tab_concept:
- if 'concept_graph' in st.session_state:
- st.pyplot(st.session_state.concept_graph)
- else:
- st.info("No concept graph available. Please analyze a document first.")
-
- with tab_entity:
- if 'entity_graph' in st.session_state:
- st.pyplot(st.session_state.entity_graph)
- else:
+import streamlit as st
+import logging
+from .semantic_process import process_semantic_analysis
+from ..chatbot.chatbot import initialize_chatbot, process_semantic_chat_input
+from ..database.database_oldFromV2 import store_file_semantic_contents, retrieve_file_contents, delete_file, get_user_files
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+def get_translation(t, key, default):
+ return t.get(key, default)
+
+def display_semantic_interface(lang_code, nlp_models, t):
+ # Inicializar el chatbot y el historial del chat al principio de la función
+ if 'semantic_chatbot' not in st.session_state:
+ st.session_state.semantic_chatbot = initialize_chatbot('semantic')
+
+ if 'semantic_chat_history' not in st.session_state:
+ st.session_state.semantic_chat_history = []
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # Mostrar el mensaje inicial como un párrafo estilizado
+ st.markdown(f"""
+
+ """, unsafe_allow_html=True)
+
+ tab1, tab2 = st.tabs(["Upload", "Analyze"])
+
+ with tab1:
+ st.subheader("File Management")
+ uploaded_file = st.file_uploader("Choose a file to upload", type=['txt', 'pdf', 'docx', 'doc', 'odt'], key=generate_unique_key('semantic', 'file_uploader'))
+ if uploaded_file is not None:
+ file_contents = uploaded_file.getvalue().decode('utf-8')
+ if store_file_semantic_contents(st.session_state.username, uploaded_file.name, file_contents):
+ st.success(f"File {uploaded_file.name} uploaded and saved successfully")
+ else:
+ st.error("Error uploading file")
+
+ st.markdown("---") # Línea separadora
+
+ st.subheader("Manage Uploaded Files")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ if user_files:
+ for file in user_files:
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ st.write(file['file_name'])
+ with col2:
+ if st.button("Delete", key=f"delete_{file['file_name']}", help=f"Delete {file['file_name']}"):
+ if delete_file(st.session_state.username, file['file_name'], 'semantic'):
+ st.success(f"File {file['file_name']} deleted successfully")
+ st.rerun()
+ else:
+ st.error(f"Error deleting file {file['file_name']}")
+ else:
+ st.info("No files uploaded yet.")
+
+ with tab2:
+ st.subheader("Select File for Analysis")
+ user_files = get_user_files(st.session_state.username, 'semantic')
+ file_options = [get_translation(t, 'select_saved_file', 'Select a saved file')] + [file['file_name'] for file in user_files]
+ selected_file = st.selectbox("", options=file_options, key=generate_unique_key('semantic', 'file_selector'))
+
+ if st.button("Analyze Document", key=generate_unique_key('semantic', 'analyze_document')):
+ if selected_file and selected_file != get_translation(t, 'select_saved_file', 'Select a saved file'):
+ file_contents = retrieve_file_contents(st.session_state.username, selected_file, 'semantic')
+ if file_contents:
+ st.session_state.file_contents = file_contents
+ with st.spinner("Analyzing..."):
+ try:
+ nlp_model = nlp_models[lang_code]
+ concept_graph, entity_graph, key_concepts = process_semantic_analysis(file_contents, nlp_model, lang_code)
+ st.session_state.concept_graph = concept_graph
+ st.session_state.entity_graph = entity_graph
+ st.session_state.key_concepts = key_concepts
+ st.success("Analysis completed successfully")
+ except Exception as e:
+ logger.error(f"Error during analysis: {str(e)}")
+ st.error(f"Error during analysis: {str(e)}")
+ else:
+ st.error("Error loading file contents")
+ else:
+ st.error("Please select a file to analyze")
+
+ # Chat and Visualization
+ with st.container():
+ col_chat, col_graph = st.columns([1, 1])
+
+ with col_chat:
+ st.subheader("Chat with AI")
+
+ chat_container = st.container()
+ with chat_container:
+ for message in st.session_state.semantic_chat_history:
+ with st.chat_message(message["role"]):
+ st.markdown(message["content"])
+
+ user_input = st.text_input("Type your message here...", key=generate_unique_key('semantic', 'chat_input'))
+ col1, col2 = st.columns([3, 1])
+ with col1:
+ send_button = st.button("Send", key=generate_unique_key('semantic', 'send_message'))
+ with col2:
+ clear_button = st.button("Clear Chat", key=generate_unique_key('semantic', 'clear_chat'))
+
+ if send_button and user_input:
+ st.session_state.semantic_chat_history.append({"role": "user", "content": user_input})
+
+ if user_input.startswith('/analyze_current'):
+ response = process_semantic_chat_input(user_input, lang_code, nlp_models[lang_code], st.session_state.get('file_contents', ''))
+ else:
+ response = st.session_state.semantic_chatbot.generate_response(user_input, lang_code, context=st.session_state.get('file_contents', ''))
+
+ st.session_state.semantic_chat_history.append({"role": "assistant", "content": response})
+ st.rerun()
+
+ if clear_button:
+ st.session_state.semantic_chat_history = []
+ st.rerun()
+
+ with col_graph:
+ st.subheader("Visualization")
+ if 'key_concepts' in st.session_state:
+ st.write("Key Concepts:")
+ st.write(', '.join([f"{concept}: {freq:.2f}" for concept, freq in st.session_state.key_concepts]))
+
+ tab_concept, tab_entity = st.tabs(["Concept Graph", "Entity Graph"])
+
+ with tab_concept:
+ if 'concept_graph' in st.session_state:
+ st.pyplot(st.session_state.concept_graph)
+ else:
+ st.info("No concept graph available. Please analyze a document first.")
+
+ with tab_entity:
+ if 'entity_graph' in st.session_state:
+ st.pyplot(st.session_state.entity_graph)
+ else:
st.info("No entity graph available. Please analyze a document first.")
\ No newline at end of file
diff --git a/modules/semantic/semantic_live_interface.py b/modules/semantic/semantic_live_interface.py
index a6b409a4e43720c5fb99d1aa61126529e1efeabc..d4251d304deda779ea88a7d1a8c784317b58db31 100644
--- a/modules/semantic/semantic_live_interface.py
+++ b/modules/semantic/semantic_live_interface.py
@@ -1,197 +1,197 @@
-# modules/semantic/semantic_live_interface.py
-import streamlit as st
-from streamlit_float import *
-from streamlit_antd_components import *
-import pandas as pd
-import logging
-
-# Configuración del logger
-logger = logging.getLogger(__name__)
-
-# Importaciones locales
-from .semantic_process import (
- process_semantic_input,
- format_semantic_results
-)
-
-from ..utils.widget_utils import generate_unique_key
-from ..database.semantic_mongo_db import store_student_semantic_result
-from ..database.chat_mongo_db import store_chat_history, get_chat_history
-
-def display_semantic_live_interface(lang_code, nlp_models, semantic_t):
- """
- Interfaz para el análisis semántico en vivo con proporciones de columna ajustadas
- """
- try:
- # 1. Inicializar el estado de la sesión de manera más robusta
- if 'semantic_live_state' not in st.session_state:
- st.session_state.semantic_live_state = {
- 'analysis_count': 0,
- 'current_text': '',
- 'last_result': None,
- 'text_changed': False
- }
-
- # 2. Función para manejar cambios en el texto
- def on_text_change():
- current_text = st.session_state.semantic_live_text
- st.session_state.semantic_live_state['current_text'] = current_text
- st.session_state.semantic_live_state['text_changed'] = True
-
- # 3. Crear columnas con nueva proporción (1:3)
- input_col, result_col = st.columns([1, 3])
-
- # Columna izquierda: Entrada de texto
- with input_col:
- st.subheader(semantic_t.get('enter_text', 'Ingrese su texto'))
-
- # Área de texto con manejo de eventos
- text_input = st.text_area(
- semantic_t.get('text_input_label', 'Escriba o pegue su texto aquí'),
- height=500,
- key="semantic_live_text",
- value=st.session_state.semantic_live_state.get('current_text', ''),
- on_change=on_text_change,
- label_visibility="collapsed" # Oculta el label para mayor estabilidad
- )
-
- # Botón de análisis y procesamiento
- analyze_button = st.button(
- semantic_t.get('analyze_button', 'Analizar'),
- key="semantic_live_analyze",
- type="primary",
- icon="🔍",
- disabled=not text_input,
- use_container_width=True
- )
-
- if analyze_button and text_input:
- try:
- with st.spinner(semantic_t.get('processing', 'Procesando...')):
- analysis_result = process_semantic_input(
- text_input,
- lang_code,
- nlp_models,
- semantic_t
- )
-
- if analysis_result['success']:
- st.session_state.semantic_live_state['last_result'] = analysis_result
- st.session_state.semantic_live_state['analysis_count'] += 1
- st.session_state.semantic_live_state['text_changed'] = False
-
- store_student_semantic_result(
- st.session_state.username,
- text_input,
- analysis_result['analysis']
- )
- else:
- st.error(analysis_result.get('message', 'Error en el análisis'))
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(semantic_t.get('error_processing', 'Error al procesar el texto'))
-
- # Columna derecha: Visualización de resultados
- with result_col:
- st.subheader(semantic_t.get('live_results', 'Resultados en vivo'))
-
- if 'last_result' in st.session_state.semantic_live_state and \
- st.session_state.semantic_live_state['last_result'] is not None:
-
- analysis = st.session_state.semantic_live_state['last_result']['analysis']
-
- if 'key_concepts' in analysis and analysis['key_concepts'] and \
- 'concept_graph' in analysis and analysis['concept_graph'] is not None:
-
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- with st.container():
- # Conceptos en una sola línea
- concepts_html = """
-
-
"
- st.markdown(concepts_html, unsafe_allow_html=True)
-
- # Grafo
- if 'concept_graph' in analysis and analysis['concept_graph'] is not None:
- st.image(
- analysis['concept_graph'],
- use_container_width=True
- )
-
- # Botones y controles
- button_col, spacer_col = st.columns([1,5])
- with button_col:
- st.download_button(
- label="📥 " + semantic_t.get('download_graph', "Download"),
- data=analysis['concept_graph'],
- file_name="semantic_live_graph.png",
- mime="image/png",
- use_container_width=True
- )
-
- with st.expander("📊 " + semantic_t.get('graph_help', "Graph Interpretation")):
- st.markdown("""
- - 🔀 Las flechas indican la dirección de la relación entre conceptos
- - 🎨 Los colores más intensos indican conceptos más centrales en el texto
- - ⭕ El tamaño de los nodos representa la frecuencia del concepto
- - ↔️ El grosor de las líneas indica la fuerza de la conexión
- """)
- else:
- st.info(semantic_t.get('no_graph', 'No hay datos para mostrar'))
-
- except Exception as e:
- logger.error(f"Error general en interfaz semántica en vivo: {str(e)}")
- st.error(semantic_t.get('general_error', "Se produjo un error. Por favor, intente de nuevo."))
-
+# modules/semantic/semantic_live_interface.py
+import streamlit as st
+from streamlit_float import *
+from streamlit_antd_components import *
+import pandas as pd
+import logging
+
+# Configuración del logger
+logger = logging.getLogger(__name__)
+
+# Importaciones locales
+from .semantic_process import (
+ process_semantic_input,
+ format_semantic_results
+)
+
+from ..utils.widget_utils import generate_unique_key
+from ..database.semantic_mongo_db import store_student_semantic_result
+from ..database.chat_mongo_db import store_chat_history, get_chat_history
+
+def display_semantic_live_interface(lang_code, nlp_models, semantic_t):
+ """
+ Interfaz para el análisis semántico en vivo con proporciones de columna ajustadas
+ """
+ try:
+ # 1. Inicializar el estado de la sesión de manera más robusta
+ if 'semantic_live_state' not in st.session_state:
+ st.session_state.semantic_live_state = {
+ 'analysis_count': 0,
+ 'current_text': '',
+ 'last_result': None,
+ 'text_changed': False
+ }
+
+ # 2. Función para manejar cambios en el texto
+ def on_text_change():
+ current_text = st.session_state.semantic_live_text
+ st.session_state.semantic_live_state['current_text'] = current_text
+ st.session_state.semantic_live_state['text_changed'] = True
+
+ # 3. Crear columnas con nueva proporción (1:3)
+ input_col, result_col = st.columns([1, 3])
+
+ # Columna izquierda: Entrada de texto
+ with input_col:
+ st.subheader(semantic_t.get('enter_text', 'Ingrese su texto'))
+
+ # Área de texto con manejo de eventos
+ text_input = st.text_area(
+ semantic_t.get('text_input_label', 'Escriba o pegue su texto aquí'),
+ height=500,
+ key="semantic_live_text",
+ value=st.session_state.semantic_live_state.get('current_text', ''),
+ on_change=on_text_change,
+ label_visibility="collapsed" # Oculta el label para mayor estabilidad
+ )
+
+ # Botón de análisis y procesamiento
+ analyze_button = st.button(
+ semantic_t.get('analyze_button', 'Analizar'),
+ key="semantic_live_analyze",
+ type="primary",
+ icon="🔍",
+ disabled=not text_input,
+ use_container_width=True
+ )
+
+ if analyze_button and text_input:
+ try:
+ with st.spinner(semantic_t.get('processing', 'Procesando...')):
+ analysis_result = process_semantic_input(
+ text_input,
+ lang_code,
+ nlp_models,
+ semantic_t
+ )
+
+ if analysis_result['success']:
+ st.session_state.semantic_live_state['last_result'] = analysis_result
+ st.session_state.semantic_live_state['analysis_count'] += 1
+ st.session_state.semantic_live_state['text_changed'] = False
+
+ store_student_semantic_result(
+ st.session_state.username,
+ text_input,
+ analysis_result['analysis']
+ )
+ else:
+ st.error(analysis_result.get('message', 'Error en el análisis'))
+
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error(semantic_t.get('error_processing', 'Error al procesar el texto'))
+
+ # Columna derecha: Visualización de resultados
+ with result_col:
+ st.subheader(semantic_t.get('live_results', 'Resultados en vivo'))
+
+ if 'last_result' in st.session_state.semantic_live_state and \
+ st.session_state.semantic_live_state['last_result'] is not None:
+
+ analysis = st.session_state.semantic_live_state['last_result']['analysis']
+
+ if 'key_concepts' in analysis and analysis['key_concepts'] and \
+ 'concept_graph' in analysis and analysis['concept_graph'] is not None:
+
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ with st.container():
+ # Conceptos en una sola línea
+ concepts_html = """
+
- """
- concepts_html += ''.join(
- f'
{concept}'
- f'({freq:.2f})
'
- for concept, freq in analysis['key_concepts']
- )
- concepts_html += "
+
"
+ st.markdown(concepts_html, unsafe_allow_html=True)
+
+ # Grafo
+ if 'concept_graph' in analysis and analysis['concept_graph'] is not None:
+ st.image(
+ analysis['concept_graph'],
+ use_container_width=True
+ )
+
+ # Botones y controles
+ button_col, spacer_col = st.columns([1,5])
+ with button_col:
+ st.download_button(
+ label="📥 " + semantic_t.get('download_graph', "Download"),
+ data=analysis['concept_graph'],
+ file_name="semantic_live_graph.png",
+ mime="image/png",
+ use_container_width=True
+ )
+
+ with st.expander("📊 " + semantic_t.get('graph_help', "Graph Interpretation")):
+ st.markdown("""
+ - 🔀 Las flechas indican la dirección de la relación entre conceptos
+ - 🎨 Los colores más intensos indican conceptos más centrales en el texto
+ - ⭕ El tamaño de los nodos representa la frecuencia del concepto
+ - ↔️ El grosor de las líneas indica la fuerza de la conexión
+ """)
+ else:
+ st.info(semantic_t.get('no_graph', 'No hay datos para mostrar'))
+
+ except Exception as e:
+ logger.error(f"Error general en interfaz semántica en vivo: {str(e)}")
+ st.error(semantic_t.get('general_error', "Se produjo un error. Por favor, intente de nuevo."))
+
diff --git a/modules/semantic/semantic_process.py b/modules/semantic/semantic_process.py
index 35e6d4c877cb89066e81b62a3df4a64ffd64b86f..421dc7fc03afc4d71f1bcdf485ea054bd6972e6a 100644
--- a/modules/semantic/semantic_process.py
+++ b/modules/semantic/semantic_process.py
@@ -1,108 +1,108 @@
-# modules/semantic/semantic_process.py
-import streamlit as st
-import matplotlib.pyplot as plt
-import io
-import base64
-import logging
-
-from ..text_analysis.semantic_analysis import (
- perform_semantic_analysis,
- identify_key_concepts,
- create_concept_graph,
- visualize_concept_graph
-)
-from ..database.semantic_mongo_db import store_student_semantic_result
-
-logger = logging.getLogger(__name__)
-
-def process_semantic_input(text, lang_code, nlp_models, t):
- """
- Procesa el texto ingresado para realizar el análisis semántico.
- """
- try:
- logger.info(f"Iniciando análisis semántico para texto de {len(text)} caracteres")
-
- # Realizar el análisis semántico
- nlp = nlp_models[lang_code]
- analysis_result = perform_semantic_analysis(text, nlp, lang_code)
-
- if not analysis_result['success']:
- return {
- 'success': False,
- 'message': analysis_result['error'],
- 'analysis': None
- }
-
- logger.info("Análisis semántico completado. Guardando resultados...")
-
- # Intentar guardar en la base de datos
- try:
- store_result = store_student_semantic_result(
- st.session_state.username,
- text,
- analysis_result
- )
- if not store_result:
- logger.warning("No se pudo guardar el análisis en la base de datos")
- except Exception as db_error:
- logger.error(f"Error al guardar en base de datos: {str(db_error)}")
-
- # Devolver el resultado incluso si falla el guardado
- return {
- 'success': True,
- 'message': t.get('success_message', 'Analysis completed successfully'),
- 'analysis': {
- 'key_concepts': analysis_result['key_concepts'],
- 'concept_graph': analysis_result['concept_graph']
- }
- }
-
- except Exception as e:
- logger.error(f"Error en process_semantic_input: {str(e)}")
- return {
- 'success': False,
- 'message': str(e),
- 'analysis': None
- }
-
-def format_semantic_results(analysis_result, t):
- """
- Formatea los resultados del análisis para su visualización.
- """
- try:
- if not analysis_result['success']:
- return {
- 'formatted_text': analysis_result['message'],
- 'visualizations': None
- }
-
- formatted_sections = []
- analysis = analysis_result['analysis']
-
- # Formatear conceptos clave
- if 'key_concepts' in analysis:
- concepts_section = [f"### {t.get('key_concepts', 'Key Concepts')}"]
- concepts_section.extend([
- f"- {concept}: {frequency:.2f}"
- for concept, frequency in analysis['key_concepts']
- ])
- formatted_sections.append('\n'.join(concepts_section))
-
- return {
- 'formatted_text': '\n\n'.join(formatted_sections),
- 'visualizations': {
- 'concept_graph': analysis.get('concept_graph')
- }
- }
-
- except Exception as e:
- logger.error(f"Error en format_semantic_results: {str(e)}")
- return {
- 'formatted_text': str(e),
- 'visualizations': None
- }
-
-__all__ = [
- 'process_semantic_input',
- 'format_semantic_results'
+# modules/semantic/semantic_process.py
+import streamlit as st
+import matplotlib.pyplot as plt
+import io
+import base64
+import logging
+
+from ..text_analysis.semantic_analysis import (
+ perform_semantic_analysis,
+ identify_key_concepts,
+ create_concept_graph,
+ visualize_concept_graph
+)
+from ..database.semantic_mongo_db import store_student_semantic_result
+
+logger = logging.getLogger(__name__)
+
+def process_semantic_input(text, lang_code, nlp_models, t):
+ """
+ Procesa el texto ingresado para realizar el análisis semántico.
+ """
+ try:
+ logger.info(f"Iniciando análisis semántico para texto de {len(text)} caracteres")
+
+ # Realizar el análisis semántico
+ nlp = nlp_models[lang_code]
+ analysis_result = perform_semantic_analysis(text, nlp, lang_code)
+
+ if not analysis_result['success']:
+ return {
+ 'success': False,
+ 'message': analysis_result['error'],
+ 'analysis': None
+ }
+
+ logger.info("Análisis semántico completado. Guardando resultados...")
+
+ # Intentar guardar en la base de datos
+ try:
+ store_result = store_student_semantic_result(
+ st.session_state.username,
+ text,
+ analysis_result
+ )
+ if not store_result:
+ logger.warning("No se pudo guardar el análisis en la base de datos")
+ except Exception as db_error:
+ logger.error(f"Error al guardar en base de datos: {str(db_error)}")
+
+ # Devolver el resultado incluso si falla el guardado
+ return {
+ 'success': True,
+ 'message': t.get('success_message', 'Analysis completed successfully'),
+ 'analysis': {
+ 'key_concepts': analysis_result['key_concepts'],
+ 'concept_graph': analysis_result['concept_graph']
+ }
+ }
+
+ except Exception as e:
+ logger.error(f"Error en process_semantic_input: {str(e)}")
+ return {
+ 'success': False,
+ 'message': str(e),
+ 'analysis': None
+ }
+
+def format_semantic_results(analysis_result, t):
+ """
+ Formatea los resultados del análisis para su visualización.
+ """
+ try:
+ if not analysis_result['success']:
+ return {
+ 'formatted_text': analysis_result['message'],
+ 'visualizations': None
+ }
+
+ formatted_sections = []
+ analysis = analysis_result['analysis']
+
+ # Formatear conceptos clave
+ if 'key_concepts' in analysis:
+ concepts_section = [f"### {t.get('key_concepts', 'Key Concepts')}"]
+ concepts_section.extend([
+ f"- {concept}: {frequency:.2f}"
+ for concept, frequency in analysis['key_concepts']
+ ])
+ formatted_sections.append('\n'.join(concepts_section))
+
+ return {
+ 'formatted_text': '\n\n'.join(formatted_sections),
+ 'visualizations': {
+ 'concept_graph': analysis.get('concept_graph')
+ }
+ }
+
+ except Exception as e:
+ logger.error(f"Error en format_semantic_results: {str(e)}")
+ return {
+ 'formatted_text': str(e),
+ 'visualizations': None
+ }
+
+__all__ = [
+ 'process_semantic_input',
+ 'format_semantic_results'
]
\ No newline at end of file
diff --git a/modules/studentact/6-3-2025_current_situation_interface.py b/modules/studentact/6-3-2025_current_situation_interface.py
index d6374b1722bad26dd5e921dfb66e9248c7d3208d..d0a081ebd3cbb0846071b7ff68bfb5ee5c1e075a 100644
--- a/modules/studentact/6-3-2025_current_situation_interface.py
+++ b/modules/studentact/6-3-2025_current_situation_interface.py
@@ -1,486 +1,486 @@
-# modules/studentact/current_situation_interface-vOK.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-import matplotlib.pyplot as plt
-import numpy as np
-from ..database.current_situation_mongo_db import store_current_situation_result
-
-# Importaciones locales
-from translations import get_translations
-
-from .current_situation_analysis import (
- analyze_text_dimensions,
- analyze_clarity,
- analyze_vocabulary_diversity,
- analyze_cohesion,
- analyze_structure,
- get_dependency_depths,
- normalize_score,
- generate_sentence_graphs,
- generate_word_connections,
- generate_connection_paths,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap,
- generate_recommendations
-)
-
-# Configuración del estilo de matplotlib para el gráfico de radar
-plt.rcParams['font.family'] = 'sans-serif'
-plt.rcParams['axes.grid'] = True
-plt.rcParams['axes.spines.top'] = False
-plt.rcParams['axes.spines.right'] = False
-
-logger = logging.getLogger(__name__)
-####################################
-
-TEXT_TYPES = {
- 'academic_article': {
- 'name': 'Artículo Académico',
- 'thresholds': {
- 'vocabulary': {'min': 0.70, 'target': 0.85},
- 'structure': {'min': 0.75, 'target': 0.90},
- 'cohesion': {'min': 0.65, 'target': 0.80},
- 'clarity': {'min': 0.70, 'target': 0.85}
- }
- },
- 'student_essay': {
- 'name': 'Trabajo Universitario',
- 'thresholds': {
- 'vocabulary': {'min': 0.60, 'target': 0.75},
- 'structure': {'min': 0.65, 'target': 0.80},
- 'cohesion': {'min': 0.55, 'target': 0.70},
- 'clarity': {'min': 0.60, 'target': 0.75}
- }
- },
- 'general_communication': {
- 'name': 'Comunicación General',
- 'thresholds': {
- 'vocabulary': {'min': 0.50, 'target': 0.65},
- 'structure': {'min': 0.55, 'target': 0.70},
- 'cohesion': {'min': 0.45, 'target': 0.60},
- 'clarity': {'min': 0.50, 'target': 0.65}
- }
- }
-}
-####################################
-
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- Interfaz simplificada con gráfico de radar para visualizar métricas.
- """
- # Inicializar estados si no existen
- if 'text_input' not in st.session_state:
- st.session_state.text_input = ""
- if 'text_area' not in st.session_state: # Añadir inicialización de text_area
- st.session_state.text_area = ""
- if 'show_results' not in st.session_state:
- st.session_state.show_results = False
- if 'current_doc' not in st.session_state:
- st.session_state.current_doc = None
- if 'current_metrics' not in st.session_state:
- st.session_state.current_metrics = None
-
- try:
- # Container principal con dos columnas
- with st.container():
- input_col, results_col = st.columns([1,2])
-
- with input_col:
- # Text area con manejo de estado
- text_input = st.text_area(
- t.get('input_prompt', "Escribe o pega tu texto aquí:"),
- height=400,
- key="text_area",
- value=st.session_state.text_input,
- help="Este texto será analizado para darte recomendaciones personalizadas"
- )
-
- # Función para manejar cambios de texto
- if text_input != st.session_state.text_input:
- st.session_state.text_input = text_input
- st.session_state.show_results = False
-
- if st.button(
- t.get('analyze_button', "Analizar mi escritura"),
- type="primary",
- disabled=not text_input.strip(),
- use_container_width=True,
- ):
- try:
- with st.spinner(t.get('processing', "Analizando...")):
- doc = nlp_models[lang_code](text_input)
- metrics = analyze_text_dimensions(doc)
-
- storage_success = store_current_situation_result(
- username=st.session_state.username,
- text=text_input,
- metrics=metrics,
- feedback=None
- )
-
- if not storage_success:
- logger.warning("No se pudo guardar el análisis en la base de datos")
-
- st.session_state.current_doc = doc
- st.session_state.current_metrics = metrics
- st.session_state.show_results = True
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(t.get('analysis_error', "Error al analizar el texto"))
-
- # Mostrar resultados en la columna derecha
- with results_col:
- if st.session_state.show_results and st.session_state.current_metrics is not None:
- # Primero los radio buttons para tipo de texto
- st.markdown("### Tipo de texto")
- text_type = st.radio(
- "",
- options=list(TEXT_TYPES.keys()),
- format_func=lambda x: TEXT_TYPES[x]['name'],
- horizontal=True,
- key="text_type_radio",
- help="Selecciona el tipo de texto para ajustar los criterios de evaluación"
- )
-
- st.session_state.current_text_type = text_type
-
- # Luego mostrar los resultados
- display_results(
- metrics=st.session_state.current_metrics,
- text_type=text_type
- )
-
- except Exception as e:
- logger.error(f"Error en interfaz principal: {str(e)}")
- st.error("Ocurrió un error al cargar la interfaz")
-
-###################################3333
-
-'''
-def display_results(metrics, text_type=None):
- """
- Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
- """
- try:
- # Usar valor por defecto si no se especifica tipo
- text_type = text_type or 'student_essay'
-
- # Obtener umbrales según el tipo de texto
- thresholds = TEXT_TYPES[text_type]['thresholds']
-
- # Crear dos columnas para las métricas y el gráfico
- metrics_col, graph_col = st.columns([1, 1.5])
-
- # Columna de métricas
- with metrics_col:
- metrics_config = [
- {
- 'label': "Vocabulario",
- 'key': 'vocabulary',
- 'value': metrics['vocabulary']['normalized_score'],
- 'help': "Riqueza y variedad del vocabulario",
- 'thresholds': thresholds['vocabulary']
- },
- {
- 'label': "Estructura",
- 'key': 'structure',
- 'value': metrics['structure']['normalized_score'],
- 'help': "Organización y complejidad de oraciones",
- 'thresholds': thresholds['structure']
- },
- {
- 'label': "Cohesión",
- 'key': 'cohesion',
- 'value': metrics['cohesion']['normalized_score'],
- 'help': "Conexión y fluidez entre ideas",
- 'thresholds': thresholds['cohesion']
- },
- {
- 'label': "Claridad",
- 'key': 'clarity',
- 'value': metrics['clarity']['normalized_score'],
- 'help': "Facilidad de comprensión del texto",
- 'thresholds': thresholds['clarity']
- }
- ]
-
- # Mostrar métricas
- for metric in metrics_config:
- value = metric['value']
- if value < metric['thresholds']['min']:
- status = "⚠️ Por mejorar"
- color = "inverse"
- elif value < metric['thresholds']['target']:
- status = "📈 Aceptable"
- color = "off"
- else:
- status = "✅ Óptimo"
- color = "normal"
-
- st.metric(
- metric['label'],
- f"{value:.2f}",
- f"{status} (Meta: {metric['thresholds']['target']:.2f})",
- delta_color=color,
- help=metric['help']
- )
- st.markdown("", unsafe_allow_html=True)
-
- # Gráfico radar en la columna derecha
- with graph_col:
- display_radar_chart(metrics_config, thresholds)
-
- except Exception as e:
- logger.error(f"Error mostrando resultados: {str(e)}")
- st.error("Error al mostrar los resultados")
-'''
-
-######################################
-######################################
-def display_results(metrics, text_type=None):
- """
- Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
- """
- try:
- # Usar valor por defecto si no se especifica tipo
- text_type = text_type or 'student_essay'
-
- # Obtener umbrales según el tipo de texto
- thresholds = TEXT_TYPES[text_type]['thresholds']
-
- # Crear dos columnas para las métricas y el gráfico
- metrics_col, graph_col = st.columns([1, 1.5])
-
- # Columna de métricas
- with metrics_col:
- metrics_config = [
- {
- 'label': "Vocabulario",
- 'key': 'vocabulary',
- 'value': metrics['vocabulary']['normalized_score'],
- 'help': "Riqueza y variedad del vocabulario",
- 'thresholds': thresholds['vocabulary']
- },
- {
- 'label': "Estructura",
- 'key': 'structure',
- 'value': metrics['structure']['normalized_score'],
- 'help': "Organización y complejidad de oraciones",
- 'thresholds': thresholds['structure']
- },
- {
- 'label': "Cohesión",
- 'key': 'cohesion',
- 'value': metrics['cohesion']['normalized_score'],
- 'help': "Conexión y fluidez entre ideas",
- 'thresholds': thresholds['cohesion']
- },
- {
- 'label': "Claridad",
- 'key': 'clarity',
- 'value': metrics['clarity']['normalized_score'],
- 'help': "Facilidad de comprensión del texto",
- 'thresholds': thresholds['clarity']
- }
- ]
-
- # Mostrar métricas
- for metric in metrics_config:
- value = metric['value']
- if value < metric['thresholds']['min']:
- status = "⚠️ Por mejorar"
- color = "inverse"
- elif value < metric['thresholds']['target']:
- status = "📈 Aceptable"
- color = "off"
- else:
- status = "✅ Óptimo"
- color = "normal"
-
- st.metric(
- metric['label'],
- f"{value:.2f}",
- f"{status} (Meta: {metric['thresholds']['target']:.2f})",
- delta_color=color,
- help=metric['help']
- )
- st.markdown("", unsafe_allow_html=True)
-
- # Gráfico radar en la columna derecha
- with graph_col:
- display_radar_chart(metrics_config, thresholds)
-
- recommendations = generate_recommendations(
- metrics=metrics,
- text_type=text_type,
- lang_code=st.session_state.lang_code
- )
-
- # Separador visual
- st.markdown("---")
-
- # Título para la sección de recomendaciones
- st.subheader("Recomendaciones para mejorar tu escritura")
-
- # Mostrar las recomendaciones
- display_recommendations(recommendations, get_translations(st.session_state.lang_code))
-
- except Exception as e:
- logger.error(f"Error mostrando resultados: {str(e)}")
- st.error("Error al mostrar los resultados")
-
-
-######################################
-######################################
-def display_radar_chart(metrics_config, thresholds):
- """
- Muestra el gráfico radar con los resultados.
- """
- try:
- # Preparar datos para el gráfico
- categories = [m['label'] for m in metrics_config]
- values_user = [m['value'] for m in metrics_config]
- min_values = [m['thresholds']['min'] for m in metrics_config]
- target_values = [m['thresholds']['target'] for m in metrics_config]
-
- # Crear y configurar gráfico
- fig = plt.figure(figsize=(8, 8))
- ax = fig.add_subplot(111, projection='polar')
-
- # Configurar radar
- angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
- angles += angles[:1]
- values_user += values_user[:1]
- min_values += min_values[:1]
- target_values += target_values[:1]
-
- # Configurar ejes
- ax.set_xticks(angles[:-1])
- ax.set_xticklabels(categories, fontsize=10)
- circle_ticks = np.arange(0, 1.1, 0.2)
- ax.set_yticks(circle_ticks)
- ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
- ax.set_ylim(0, 1)
-
- # Dibujar áreas de umbrales
- ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1, label='Mínimo', alpha=0.5)
- ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1, label='Meta', alpha=0.5)
- ax.fill_between(angles, target_values, [1]*len(angles), color='#2ecc71', alpha=0.1)
- ax.fill_between(angles, [0]*len(angles), min_values, color='#e74c3c', alpha=0.1)
-
- # Dibujar valores del usuario
- ax.plot(angles, values_user, '#3498db', linewidth=2, label='Tu escritura')
- ax.fill(angles, values_user, '#3498db', alpha=0.2)
-
- # Ajustar leyenda
- ax.legend(
- loc='upper right',
- bbox_to_anchor=(1.3, 1.1), # Cambiado de (0.1, 0.1) a (1.3, 1.1)
- fontsize=10,
- frameon=True,
- facecolor='white',
- edgecolor='none',
- shadow=True
- )
-
- plt.tight_layout()
- st.pyplot(fig)
- plt.close()
-
- except Exception as e:
- logger.error(f"Error mostrando gráfico radar: {str(e)}")
- st.error("Error al mostrar el gráfico")
-
-#####################################################
-def display_recommendations(recommendations, t):
- """
- Muestra las recomendaciones con un diseño de tarjetas.
- """
- # Definir colores para cada categoría
- colors = {
- 'vocabulary': '#2E86C1', # Azul
- 'structure': '#28B463', # Verde
- 'cohesion': '#F39C12', # Naranja
- 'clarity': '#9B59B6', # Púrpura
- 'priority': '#E74C3C' # Rojo para la categoría prioritaria
- }
-
- # Iconos para cada categoría
- icons = {
- 'vocabulary': '📚',
- 'structure': '🏗️',
- 'cohesion': '🔄',
- 'clarity': '💡',
- 'priority': '⭐'
- }
-
- # Obtener traducciones para cada dimensión
- dimension_names = {
- 'vocabulary': t.get('SITUATION_ANALYSIS', {}).get('vocabulary', "Vocabulario"),
- 'structure': t.get('SITUATION_ANALYSIS', {}).get('structure', "Estructura"),
- 'cohesion': t.get('SITUATION_ANALYSIS', {}).get('cohesion', "Cohesión"),
- 'clarity': t.get('SITUATION_ANALYSIS', {}).get('clarity', "Claridad"),
- 'priority': t.get('SITUATION_ANALYSIS', {}).get('priority', "Prioridad")
- }
-
- # Título de la sección prioritaria
- priority_focus = t.get('SITUATION_ANALYSIS', {}).get('priority_focus', 'Área prioritaria para mejorar')
- st.markdown(f"### {icons['priority']} {priority_focus}")
-
- # Determinar área prioritaria (la que tiene menor puntuación)
- priority_area = recommendations.get('priority', 'vocabulary')
- priority_title = dimension_names.get(priority_area, "Área prioritaria")
-
- # Determinar el contenido para mostrar
- if isinstance(recommendations[priority_area], dict) and 'title' in recommendations[priority_area]:
- priority_title = recommendations[priority_area]['title']
- priority_content = recommendations[priority_area]['content']
- else:
- priority_content = recommendations[priority_area]
-
- # Mostrar la recomendación prioritaria con un estilo destacado
- with st.container():
- st.markdown(
- f"""
-
+ """
+ concepts_html += ''.join(
+ f'
{concept}'
+ f'({freq:.2f})
'
+ for concept, freq in analysis['key_concepts']
+ )
+ concepts_html += "
-
- """,
- unsafe_allow_html=True
- )
-
- # Crear dos columnas para las tarjetas de recomendaciones restantes
- col1, col2 = st.columns(2)
-
- # Distribuir las recomendaciones en las columnas
- categories = ['vocabulary', 'structure', 'cohesion', 'clarity']
- for i, category in enumerate(categories):
- # Saltar si esta categoría ya es la prioritaria
- if category == priority_area:
- continue
-
- # Determinar título y contenido
- if isinstance(recommendations[category], dict) and 'title' in recommendations[category]:
- category_title = recommendations[category]['title']
- category_content = recommendations[category]['content']
- else:
- category_title = dimension_names.get(category, category)
- category_content = recommendations[category]
-
- # Alternar entre columnas
- with col1 if i % 2 == 0 else col2:
- # Crear tarjeta para cada recomendación
- st.markdown(
- f"""
- {priority_title}
-{priority_content}
-
-
- """,
- unsafe_allow_html=True
+# modules/studentact/current_situation_interface-vOK.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+import matplotlib.pyplot as plt
+import numpy as np
+from ..database.current_situation_mongo_db import store_current_situation_result
+
+# Importaciones locales
+from translations import get_translations
+
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ analyze_clarity,
+ analyze_vocabulary_diversity,
+ analyze_cohesion,
+ analyze_structure,
+ get_dependency_depths,
+ normalize_score,
+ generate_sentence_graphs,
+ generate_word_connections,
+ generate_connection_paths,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap,
+ generate_recommendations
+)
+
+# Configuración del estilo de matplotlib para el gráfico de radar
+plt.rcParams['font.family'] = 'sans-serif'
+plt.rcParams['axes.grid'] = True
+plt.rcParams['axes.spines.top'] = False
+plt.rcParams['axes.spines.right'] = False
+
+logger = logging.getLogger(__name__)
+####################################
+
+TEXT_TYPES = {
+ 'academic_article': {
+ 'name': 'Artículo Académico',
+ 'thresholds': {
+ 'vocabulary': {'min': 0.70, 'target': 0.85},
+ 'structure': {'min': 0.75, 'target': 0.90},
+ 'cohesion': {'min': 0.65, 'target': 0.80},
+ 'clarity': {'min': 0.70, 'target': 0.85}
+ }
+ },
+ 'student_essay': {
+ 'name': 'Trabajo Universitario',
+ 'thresholds': {
+ 'vocabulary': {'min': 0.60, 'target': 0.75},
+ 'structure': {'min': 0.65, 'target': 0.80},
+ 'cohesion': {'min': 0.55, 'target': 0.70},
+ 'clarity': {'min': 0.60, 'target': 0.75}
+ }
+ },
+ 'general_communication': {
+ 'name': 'Comunicación General',
+ 'thresholds': {
+ 'vocabulary': {'min': 0.50, 'target': 0.65},
+ 'structure': {'min': 0.55, 'target': 0.70},
+ 'cohesion': {'min': 0.45, 'target': 0.60},
+ 'clarity': {'min': 0.50, 'target': 0.65}
+ }
+ }
+}
+####################################
+
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ Interfaz simplificada con gráfico de radar para visualizar métricas.
+ """
+ # Inicializar estados si no existen
+ if 'text_input' not in st.session_state:
+ st.session_state.text_input = ""
+ if 'text_area' not in st.session_state: # Añadir inicialización de text_area
+ st.session_state.text_area = ""
+ if 'show_results' not in st.session_state:
+ st.session_state.show_results = False
+ if 'current_doc' not in st.session_state:
+ st.session_state.current_doc = None
+ if 'current_metrics' not in st.session_state:
+ st.session_state.current_metrics = None
+
+ try:
+ # Container principal con dos columnas
+ with st.container():
+ input_col, results_col = st.columns([1,2])
+
+ with input_col:
+ # Text area con manejo de estado
+ text_input = st.text_area(
+ t.get('input_prompt', "Escribe o pega tu texto aquí:"),
+ height=400,
+ key="text_area",
+ value=st.session_state.text_input,
+ help="Este texto será analizado para darte recomendaciones personalizadas"
+ )
+
+ # Función para manejar cambios de texto
+ if text_input != st.session_state.text_input:
+ st.session_state.text_input = text_input
+ st.session_state.show_results = False
+
+ if st.button(
+ t.get('analyze_button', "Analizar mi escritura"),
+ type="primary",
+ disabled=not text_input.strip(),
+ use_container_width=True,
+ ):
+ try:
+ with st.spinner(t.get('processing', "Analizando...")):
+ doc = nlp_models[lang_code](text_input)
+ metrics = analyze_text_dimensions(doc)
+
+ storage_success = store_current_situation_result(
+ username=st.session_state.username,
+ text=text_input,
+ metrics=metrics,
+ feedback=None
+ )
+
+ if not storage_success:
+ logger.warning("No se pudo guardar el análisis en la base de datos")
+
+ st.session_state.current_doc = doc
+ st.session_state.current_metrics = metrics
+ st.session_state.show_results = True
+
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error(t.get('analysis_error', "Error al analizar el texto"))
+
+ # Mostrar resultados en la columna derecha
+ with results_col:
+ if st.session_state.show_results and st.session_state.current_metrics is not None:
+ # Primero los radio buttons para tipo de texto
+ st.markdown("### Tipo de texto")
+ text_type = st.radio(
+ "",
+ options=list(TEXT_TYPES.keys()),
+ format_func=lambda x: TEXT_TYPES[x]['name'],
+ horizontal=True,
+ key="text_type_radio",
+ help="Selecciona el tipo de texto para ajustar los criterios de evaluación"
+ )
+
+ st.session_state.current_text_type = text_type
+
+ # Luego mostrar los resultados
+ display_results(
+ metrics=st.session_state.current_metrics,
+ text_type=text_type
+ )
+
+ except Exception as e:
+ logger.error(f"Error en interfaz principal: {str(e)}")
+ st.error("Ocurrió un error al cargar la interfaz")
+
+###################################3333
+
+'''
+def display_results(metrics, text_type=None):
+ """
+ Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
+ """
+ try:
+ # Usar valor por defecto si no se especifica tipo
+ text_type = text_type or 'student_essay'
+
+ # Obtener umbrales según el tipo de texto
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+
+ # Crear dos columnas para las métricas y el gráfico
+ metrics_col, graph_col = st.columns([1, 1.5])
+
+ # Columna de métricas
+ with metrics_col:
+ metrics_config = [
+ {
+ 'label': "Vocabulario",
+ 'key': 'vocabulary',
+ 'value': metrics['vocabulary']['normalized_score'],
+ 'help': "Riqueza y variedad del vocabulario",
+ 'thresholds': thresholds['vocabulary']
+ },
+ {
+ 'label': "Estructura",
+ 'key': 'structure',
+ 'value': metrics['structure']['normalized_score'],
+ 'help': "Organización y complejidad de oraciones",
+ 'thresholds': thresholds['structure']
+ },
+ {
+ 'label': "Cohesión",
+ 'key': 'cohesion',
+ 'value': metrics['cohesion']['normalized_score'],
+ 'help': "Conexión y fluidez entre ideas",
+ 'thresholds': thresholds['cohesion']
+ },
+ {
+ 'label': "Claridad",
+ 'key': 'clarity',
+ 'value': metrics['clarity']['normalized_score'],
+ 'help': "Facilidad de comprensión del texto",
+ 'thresholds': thresholds['clarity']
+ }
+ ]
+
+ # Mostrar métricas
+ for metric in metrics_config:
+ value = metric['value']
+ if value < metric['thresholds']['min']:
+ status = "⚠️ Por mejorar"
+ color = "inverse"
+ elif value < metric['thresholds']['target']:
+ status = "📈 Aceptable"
+ color = "off"
+ else:
+ status = "✅ Óptimo"
+ color = "normal"
+
+ st.metric(
+ metric['label'],
+ f"{value:.2f}",
+ f"{status} (Meta: {metric['thresholds']['target']:.2f})",
+ delta_color=color,
+ help=metric['help']
+ )
+ st.markdown("", unsafe_allow_html=True)
+
+ # Gráfico radar en la columna derecha
+ with graph_col:
+ display_radar_chart(metrics_config, thresholds)
+
+ except Exception as e:
+ logger.error(f"Error mostrando resultados: {str(e)}")
+ st.error("Error al mostrar los resultados")
+'''
+
+######################################
+######################################
+def display_results(metrics, text_type=None):
+ """
+ Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
+ """
+ try:
+ # Usar valor por defecto si no se especifica tipo
+ text_type = text_type or 'student_essay'
+
+ # Obtener umbrales según el tipo de texto
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+
+ # Crear dos columnas para las métricas y el gráfico
+ metrics_col, graph_col = st.columns([1, 1.5])
+
+ # Columna de métricas
+ with metrics_col:
+ metrics_config = [
+ {
+ 'label': "Vocabulario",
+ 'key': 'vocabulary',
+ 'value': metrics['vocabulary']['normalized_score'],
+ 'help': "Riqueza y variedad del vocabulario",
+ 'thresholds': thresholds['vocabulary']
+ },
+ {
+ 'label': "Estructura",
+ 'key': 'structure',
+ 'value': metrics['structure']['normalized_score'],
+ 'help': "Organización y complejidad de oraciones",
+ 'thresholds': thresholds['structure']
+ },
+ {
+ 'label': "Cohesión",
+ 'key': 'cohesion',
+ 'value': metrics['cohesion']['normalized_score'],
+ 'help': "Conexión y fluidez entre ideas",
+ 'thresholds': thresholds['cohesion']
+ },
+ {
+ 'label': "Claridad",
+ 'key': 'clarity',
+ 'value': metrics['clarity']['normalized_score'],
+ 'help': "Facilidad de comprensión del texto",
+ 'thresholds': thresholds['clarity']
+ }
+ ]
+
+ # Mostrar métricas
+ for metric in metrics_config:
+ value = metric['value']
+ if value < metric['thresholds']['min']:
+ status = "⚠️ Por mejorar"
+ color = "inverse"
+ elif value < metric['thresholds']['target']:
+ status = "📈 Aceptable"
+ color = "off"
+ else:
+ status = "✅ Óptimo"
+ color = "normal"
+
+ st.metric(
+ metric['label'],
+ f"{value:.2f}",
+ f"{status} (Meta: {metric['thresholds']['target']:.2f})",
+ delta_color=color,
+ help=metric['help']
+ )
+ st.markdown("", unsafe_allow_html=True)
+
+ # Gráfico radar en la columna derecha
+ with graph_col:
+ display_radar_chart(metrics_config, thresholds)
+
+ recommendations = generate_recommendations(
+ metrics=metrics,
+ text_type=text_type,
+ lang_code=st.session_state.lang_code
+ )
+
+ # Separador visual
+ st.markdown("---")
+
+ # Título para la sección de recomendaciones
+ st.subheader("Recomendaciones para mejorar tu escritura")
+
+ # Mostrar las recomendaciones
+ display_recommendations(recommendations, get_translations(st.session_state.lang_code))
+
+ except Exception as e:
+ logger.error(f"Error mostrando resultados: {str(e)}")
+ st.error("Error al mostrar los resultados")
+
+
+######################################
+######################################
+def display_radar_chart(metrics_config, thresholds):
+ """
+ Muestra el gráfico radar con los resultados.
+ """
+ try:
+ # Preparar datos para el gráfico
+ categories = [m['label'] for m in metrics_config]
+ values_user = [m['value'] for m in metrics_config]
+ min_values = [m['thresholds']['min'] for m in metrics_config]
+ target_values = [m['thresholds']['target'] for m in metrics_config]
+
+ # Crear y configurar gráfico
+ fig = plt.figure(figsize=(8, 8))
+ ax = fig.add_subplot(111, projection='polar')
+
+ # Configurar radar
+ angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
+ angles += angles[:1]
+ values_user += values_user[:1]
+ min_values += min_values[:1]
+ target_values += target_values[:1]
+
+ # Configurar ejes
+ ax.set_xticks(angles[:-1])
+ ax.set_xticklabels(categories, fontsize=10)
+ circle_ticks = np.arange(0, 1.1, 0.2)
+ ax.set_yticks(circle_ticks)
+ ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
+ ax.set_ylim(0, 1)
+
+ # Dibujar áreas de umbrales
+ ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1, label='Mínimo', alpha=0.5)
+ ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1, label='Meta', alpha=0.5)
+ ax.fill_between(angles, target_values, [1]*len(angles), color='#2ecc71', alpha=0.1)
+ ax.fill_between(angles, [0]*len(angles), min_values, color='#e74c3c', alpha=0.1)
+
+ # Dibujar valores del usuario
+ ax.plot(angles, values_user, '#3498db', linewidth=2, label='Tu escritura')
+ ax.fill(angles, values_user, '#3498db', alpha=0.2)
+
+ # Ajustar leyenda
+ ax.legend(
+ loc='upper right',
+ bbox_to_anchor=(1.3, 1.1), # Cambiado de (0.1, 0.1) a (1.3, 1.1)
+ fontsize=10,
+ frameon=True,
+ facecolor='white',
+ edgecolor='none',
+ shadow=True
+ )
+
+ plt.tight_layout()
+ st.pyplot(fig)
+ plt.close()
+
+ except Exception as e:
+ logger.error(f"Error mostrando gráfico radar: {str(e)}")
+ st.error("Error al mostrar el gráfico")
+
+#####################################################
+def display_recommendations(recommendations, t):
+ """
+ Muestra las recomendaciones con un diseño de tarjetas.
+ """
+ # Definir colores para cada categoría
+ colors = {
+ 'vocabulary': '#2E86C1', # Azul
+ 'structure': '#28B463', # Verde
+ 'cohesion': '#F39C12', # Naranja
+ 'clarity': '#9B59B6', # Púrpura
+ 'priority': '#E74C3C' # Rojo para la categoría prioritaria
+ }
+
+ # Iconos para cada categoría
+ icons = {
+ 'vocabulary': '📚',
+ 'structure': '🏗️',
+ 'cohesion': '🔄',
+ 'clarity': '💡',
+ 'priority': '⭐'
+ }
+
+ # Obtener traducciones para cada dimensión
+ dimension_names = {
+ 'vocabulary': t.get('SITUATION_ANALYSIS', {}).get('vocabulary', "Vocabulario"),
+ 'structure': t.get('SITUATION_ANALYSIS', {}).get('structure', "Estructura"),
+ 'cohesion': t.get('SITUATION_ANALYSIS', {}).get('cohesion', "Cohesión"),
+ 'clarity': t.get('SITUATION_ANALYSIS', {}).get('clarity', "Claridad"),
+ 'priority': t.get('SITUATION_ANALYSIS', {}).get('priority', "Prioridad")
+ }
+
+ # Título de la sección prioritaria
+ priority_focus = t.get('SITUATION_ANALYSIS', {}).get('priority_focus', 'Área prioritaria para mejorar')
+ st.markdown(f"### {icons['priority']} {priority_focus}")
+
+ # Determinar área prioritaria (la que tiene menor puntuación)
+ priority_area = recommendations.get('priority', 'vocabulary')
+ priority_title = dimension_names.get(priority_area, "Área prioritaria")
+
+ # Determinar el contenido para mostrar
+ if isinstance(recommendations[priority_area], dict) and 'title' in recommendations[priority_area]:
+ priority_title = recommendations[priority_area]['title']
+ priority_content = recommendations[priority_area]['content']
+ else:
+ priority_content = recommendations[priority_area]
+
+ # Mostrar la recomendación prioritaria con un estilo destacado
+ with st.container():
+ st.markdown(
+ f"""
+ {icons[category]} {category_title}
-{category_content}
-
+
+ """,
+ unsafe_allow_html=True
+ )
+
+ # Crear dos columnas para las tarjetas de recomendaciones restantes
+ col1, col2 = st.columns(2)
+
+ # Distribuir las recomendaciones en las columnas
+ categories = ['vocabulary', 'structure', 'cohesion', 'clarity']
+ for i, category in enumerate(categories):
+ # Saltar si esta categoría ya es la prioritaria
+ if category == priority_area:
+ continue
+
+ # Determinar título y contenido
+ if isinstance(recommendations[category], dict) and 'title' in recommendations[category]:
+ category_title = recommendations[category]['title']
+ category_content = recommendations[category]['content']
+ else:
+ category_title = dimension_names.get(category, category)
+ category_content = recommendations[category]
+
+ # Alternar entre columnas
+ with col1 if i % 2 == 0 else col2:
+ # Crear tarjeta para cada recomendación
+ st.markdown(
+ f"""
+ {priority_title}
+{priority_content}
+
+
+ """,
+ unsafe_allow_html=True
)
\ No newline at end of file
diff --git a/modules/studentact/current_situation_analysis-FAIL.py b/modules/studentact/current_situation_analysis-FAIL.py
index fbb3f9d9b11a94946f6bb4f3f4a7516ba554a075..873a8de350242c563ff7d0257be106e305927e4e 100644
--- a/modules/studentact/current_situation_analysis-FAIL.py
+++ b/modules/studentact/current_situation_analysis-FAIL.py
@@ -1,810 +1,810 @@
-#v3/modules/studentact/current_situation_analysis.py
-
-import streamlit as st
-import matplotlib.pyplot as plt
-import networkx as nx
-import seaborn as sns
-from collections import Counter
-from itertools import combinations
-import numpy as np
-import matplotlib.patches as patches
-import logging
-
-# 2. Configuración básica del logging
-logging.basicConfig(
- level=logging.INFO,
- format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
- handlers=[
- logging.StreamHandler(),
- logging.FileHandler('app.log')
- ]
-)
-
-# 3. Obtener el logger específico para este módulo
-logger = logging.getLogger(__name__)
-
-#########################################################################
-
-def correlate_metrics(scores):
- """
- Ajusta los scores para mantener correlaciones lógicas entre métricas.
-
- Args:
- scores: dict con scores iniciales de vocabulario, estructura, cohesión y claridad
-
- Returns:
- dict con scores ajustados
- """
- try:
- # 1. Correlación estructura-cohesión
- # La cohesión no puede ser menor que estructura * 0.7
- min_cohesion = scores['structure']['normalized_score'] * 0.7
- if scores['cohesion']['normalized_score'] < min_cohesion:
- scores['cohesion']['normalized_score'] = min_cohesion
-
- # 2. Correlación vocabulario-cohesión
- # La cohesión léxica depende del vocabulario
- vocab_influence = scores['vocabulary']['normalized_score'] * 0.6
- scores['cohesion']['normalized_score'] = max(
- scores['cohesion']['normalized_score'],
- vocab_influence
- )
-
- # 3. Correlación cohesión-claridad
- # La claridad no puede superar cohesión * 1.2
- max_clarity = scores['cohesion']['normalized_score'] * 1.2
- if scores['clarity']['normalized_score'] > max_clarity:
- scores['clarity']['normalized_score'] = max_clarity
-
- # 4. Correlación estructura-claridad
- # La claridad no puede superar estructura * 1.1
- struct_max_clarity = scores['structure']['normalized_score'] * 1.1
- scores['clarity']['normalized_score'] = min(
- scores['clarity']['normalized_score'],
- struct_max_clarity
- )
-
- # Normalizar todos los scores entre 0 y 1
- for metric in scores:
- scores[metric]['normalized_score'] = max(0.0, min(1.0, scores[metric]['normalized_score']))
-
- return scores
-
- except Exception as e:
- logger.error(f"Error en correlate_metrics: {str(e)}")
- return scores
-
-##########################################################################
-
-def analyze_text_dimensions(doc):
- """
- Analiza las dimensiones principales del texto manteniendo correlaciones lógicas.
- """
- try:
- # Obtener scores iniciales
- vocab_score, vocab_details = analyze_vocabulary_diversity(doc)
- struct_score = analyze_structure(doc)
- cohesion_score = analyze_cohesion(doc)
- clarity_score, clarity_details = analyze_clarity(doc)
-
- # Crear diccionario de scores inicial
- scores = {
- 'vocabulary': {
- 'normalized_score': vocab_score,
- 'details': vocab_details
- },
- 'structure': {
- 'normalized_score': struct_score,
- 'details': None
- },
- 'cohesion': {
- 'normalized_score': cohesion_score,
- 'details': None
- },
- 'clarity': {
- 'normalized_score': clarity_score,
- 'details': clarity_details
- }
- }
-
- # Ajustar correlaciones entre métricas
- adjusted_scores = correlate_metrics(scores)
-
- # Logging para diagnóstico
- logger.info(f"""
- Scores originales vs ajustados:
- Vocabulario: {vocab_score:.2f} -> {adjusted_scores['vocabulary']['normalized_score']:.2f}
- Estructura: {struct_score:.2f} -> {adjusted_scores['structure']['normalized_score']:.2f}
- Cohesión: {cohesion_score:.2f} -> {adjusted_scores['cohesion']['normalized_score']:.2f}
- Claridad: {clarity_score:.2f} -> {adjusted_scores['clarity']['normalized_score']:.2f}
- """)
-
- return adjusted_scores
-
- except Exception as e:
- logger.error(f"Error en analyze_text_dimensions: {str(e)}")
- return {
- 'vocabulary': {'normalized_score': 0.0, 'details': {}},
- 'structure': {'normalized_score': 0.0, 'details': {}},
- 'cohesion': {'normalized_score': 0.0, 'details': {}},
- 'clarity': {'normalized_score': 0.0, 'details': {}}
- }
-
-
-
-#############################################################################################
-
-def analyze_clarity(doc):
- """
- Analiza la claridad del texto considerando múltiples factores.
- """
- try:
- sentences = list(doc.sents)
- if not sentences:
- return 0.0, {}
-
- # 1. Longitud de oraciones
- sentence_lengths = [len(sent) for sent in sentences]
- avg_length = sum(sentence_lengths) / len(sentences)
-
- # Normalizar usando los umbrales definidos para clarity
- length_score = normalize_score(
- value=avg_length,
- metric_type='clarity',
- optimal_length=20, # Una oración ideal tiene ~20 palabras
- min_threshold=0.60, # Consistente con METRIC_THRESHOLDS
- target_threshold=0.75 # Consistente con METRIC_THRESHOLDS
- )
-
- # 2. Análisis de conectores
- connector_count = 0
- connector_weights = {
- 'CCONJ': 1.0, # Coordinantes
- 'SCONJ': 1.2, # Subordinantes
- 'ADV': 0.8 # Adverbios conectivos
- }
-
- for token in doc:
- if token.pos_ in connector_weights and token.dep_ in ['cc', 'mark', 'advmod']:
- connector_count += connector_weights[token.pos_]
-
- # Normalizar conectores por oración
- connectors_per_sentence = connector_count / len(sentences) if sentences else 0
- connector_score = normalize_score(
- value=connectors_per_sentence,
- metric_type='clarity',
- optimal_connections=1.5, # ~1.5 conectores por oración es óptimo
- min_threshold=0.60,
- target_threshold=0.75
- )
-
- # 3. Complejidad estructural
- clause_count = 0
- for sent in sentences:
- verbs = [token for token in sent if token.pos_ == 'VERB']
- clause_count += len(verbs)
-
- complexity_raw = clause_count / len(sentences) if sentences else 0
- complexity_score = normalize_score(
- value=complexity_raw,
- metric_type='clarity',
- optimal_depth=2.0, # ~2 cláusulas por oración es óptimo
- min_threshold=0.60,
- target_threshold=0.75
- )
-
- # 4. Densidad léxica
- content_words = len([token for token in doc if token.pos_ in ['NOUN', 'VERB', 'ADJ', 'ADV']])
- total_words = len([token for token in doc if token.is_alpha])
- density = content_words / total_words if total_words > 0 else 0
-
- density_score = normalize_score(
- value=density,
- metric_type='clarity',
- optimal_connections=0.6, # 60% de palabras de contenido es óptimo
- min_threshold=0.60,
- target_threshold=0.75
- )
-
- # Score final ponderado
- weights = {
- 'length': 0.3,
- 'connectors': 0.3,
- 'complexity': 0.2,
- 'density': 0.2
- }
-
- clarity_score = (
- weights['length'] * length_score +
- weights['connectors'] * connector_score +
- weights['complexity'] * complexity_score +
- weights['density'] * density_score
- )
-
- details = {
- 'length_score': length_score,
- 'connector_score': connector_score,
- 'complexity_score': complexity_score,
- 'density_score': density_score,
- 'avg_sentence_length': avg_length,
- 'connectors_per_sentence': connectors_per_sentence,
- 'density': density
- }
-
- # Agregar logging para diagnóstico
- logger.info(f"""
- Scores de Claridad:
- - Longitud: {length_score:.2f} (avg={avg_length:.1f} palabras)
- - Conectores: {connector_score:.2f} (avg={connectors_per_sentence:.1f} por oración)
- - Complejidad: {complexity_score:.2f} (avg={complexity_raw:.1f} cláusulas)
- - Densidad: {density_score:.2f} ({density*100:.1f}% palabras de contenido)
- - Score Final: {clarity_score:.2f}
- """)
-
- return clarity_score, details
-
- except Exception as e:
- logger.error(f"Error en analyze_clarity: {str(e)}")
- return 0.0, {}
-
-
-def analyze_vocabulary_diversity(doc):
- """Análisis mejorado de la diversidad y calidad del vocabulario"""
- try:
- # 1. Análisis básico de diversidad
- unique_lemmas = {token.lemma_ for token in doc if token.is_alpha}
- total_words = len([token for token in doc if token.is_alpha])
- basic_diversity = len(unique_lemmas) / total_words if total_words > 0 else 0
-
- # 2. Análisis de registro
- academic_words = 0
- narrative_words = 0
- technical_terms = 0
-
- # Clasificar palabras por registro
- for token in doc:
- if token.is_alpha:
- # Detectar términos académicos/técnicos
- if token.pos_ in ['NOUN', 'VERB', 'ADJ']:
- if any(parent.pos_ == 'NOUN' for parent in token.ancestors):
- technical_terms += 1
- # Detectar palabras narrativas
- if token.pos_ in ['VERB', 'ADV'] and token.dep_ in ['ROOT', 'advcl']:
- narrative_words += 1
-
- # 3. Análisis de complejidad sintáctica
- avg_sentence_length = sum(len(sent) for sent in doc.sents) / len(list(doc.sents))
-
- # 4. Calcular score ponderado
- weights = {
- 'diversity': 0.3,
- 'technical': 0.3,
- 'narrative': 0.2,
- 'complexity': 0.2
- }
-
- scores = {
- 'diversity': basic_diversity,
- 'technical': technical_terms / total_words if total_words > 0 else 0,
- 'narrative': narrative_words / total_words if total_words > 0 else 0,
- 'complexity': min(1.0, avg_sentence_length / 20) # Normalizado a 20 palabras
- }
-
- # Score final ponderado
- final_score = sum(weights[key] * scores[key] for key in weights)
-
- # Información adicional para diagnóstico
- details = {
- 'text_type': 'narrative' if scores['narrative'] > scores['technical'] else 'academic',
- 'scores': scores
- }
-
- return final_score, details
-
- except Exception as e:
- logger.error(f"Error en analyze_vocabulary_diversity: {str(e)}")
- return 0.0, {}
-
-def analyze_cohesion(doc):
- """Analiza la cohesión textual"""
- try:
- sentences = list(doc.sents)
- if len(sentences) < 2:
- logger.warning("Texto demasiado corto para análisis de cohesión")
- return 0.0
-
- # 1. Análisis de conexiones léxicas
- lexical_connections = 0
- total_possible_connections = 0
-
- for i in range(len(sentences)-1):
- # Obtener lemmas significativos (no stopwords)
- sent1_words = {token.lemma_ for token in sentences[i]
- if token.is_alpha and not token.is_stop}
- sent2_words = {token.lemma_ for token in sentences[i+1]
- if token.is_alpha and not token.is_stop}
-
- if sent1_words and sent2_words: # Verificar que ambos conjuntos no estén vacíos
- intersection = len(sent1_words.intersection(sent2_words))
- total_possible = min(len(sent1_words), len(sent2_words))
-
- if total_possible > 0:
- lexical_score = intersection / total_possible
- lexical_connections += lexical_score
- total_possible_connections += 1
-
- # 2. Análisis de conectores
- connector_count = 0
- connector_types = {
- 'CCONJ': 1.0, # Coordinantes
- 'SCONJ': 1.2, # Subordinantes
- 'ADV': 0.8 # Adverbios conectivos
- }
-
- for token in doc:
- if (token.pos_ in connector_types and
- token.dep_ in ['cc', 'mark', 'advmod'] and
- not token.is_stop):
- connector_count += connector_types[token.pos_]
-
- # 3. Cálculo de scores normalizados
- if total_possible_connections > 0:
- lexical_cohesion = lexical_connections / total_possible_connections
- else:
- lexical_cohesion = 0
-
- if len(sentences) > 1:
- connector_cohesion = min(1.0, connector_count / (len(sentences) - 1))
- else:
- connector_cohesion = 0
-
- # 4. Score final ponderado
- weights = {
- 'lexical': 0.7,
- 'connectors': 0.3
- }
-
- cohesion_score = (
- weights['lexical'] * lexical_cohesion +
- weights['connectors'] * connector_cohesion
- )
-
- # 5. Logging para diagnóstico
- logger.info(f"""
- Análisis de Cohesión:
- - Conexiones léxicas encontradas: {lexical_connections}
- - Conexiones posibles: {total_possible_connections}
- - Lexical cohesion score: {lexical_cohesion}
- - Conectores encontrados: {connector_count}
- - Connector cohesion score: {connector_cohesion}
- - Score final: {cohesion_score}
- """)
-
- return cohesion_score
-
- except Exception as e:
- logger.error(f"Error en analyze_cohesion: {str(e)}")
- return 0.0
-
-def analyze_structure(doc):
- try:
- if len(doc) == 0:
- return 0.0
-
- structure_scores = []
- for token in doc:
- if token.dep_ == 'ROOT':
- result = get_dependency_depths(token)
- structure_scores.append(result['final_score'])
-
- if not structure_scores:
- return 0.0
-
- return min(1.0, sum(structure_scores) / len(structure_scores))
-
- except Exception as e:
- logger.error(f"Error en analyze_structure: {str(e)}")
- return 0.0
-
-# Funciones auxiliares de análisis
-
-def get_dependency_depths(token, depth=0, analyzed_tokens=None):
- """
- Analiza la profundidad y calidad de las relaciones de dependencia.
-
- Args:
- token: Token a analizar
- depth: Profundidad actual en el árbol
- analyzed_tokens: Set para evitar ciclos en el análisis
-
- Returns:
- dict: Información detallada sobre las dependencias
- - depths: Lista de profundidades
- - relations: Diccionario con tipos de relaciones encontradas
- - complexity_score: Puntuación de complejidad
- """
- if analyzed_tokens is None:
- analyzed_tokens = set()
-
- # Evitar ciclos
- if token.i in analyzed_tokens:
- return {
- 'depths': [],
- 'relations': {},
- 'complexity_score': 0
- }
-
- analyzed_tokens.add(token.i)
-
- # Pesos para diferentes tipos de dependencias
- dependency_weights = {
- # Dependencias principales
- 'nsubj': 1.2, # Sujeto nominal
- 'obj': 1.1, # Objeto directo
- 'iobj': 1.1, # Objeto indirecto
- 'ROOT': 1.3, # Raíz
-
- # Modificadores
- 'amod': 0.8, # Modificador adjetival
- 'advmod': 0.8, # Modificador adverbial
- 'nmod': 0.9, # Modificador nominal
-
- # Estructuras complejas
- 'csubj': 1.4, # Cláusula como sujeto
- 'ccomp': 1.3, # Complemento clausal
- 'xcomp': 1.2, # Complemento clausal abierto
- 'advcl': 1.2, # Cláusula adverbial
-
- # Coordinación y subordinación
- 'conj': 1.1, # Conjunción
- 'cc': 0.7, # Coordinación
- 'mark': 0.8, # Marcador
-
- # Otros
- 'det': 0.5, # Determinante
- 'case': 0.5, # Caso
- 'punct': 0.1 # Puntuación
- }
-
- # Inicializar resultados
- current_result = {
- 'depths': [depth],
- 'relations': {token.dep_: 1},
- 'complexity_score': dependency_weights.get(token.dep_, 0.5) * (depth + 1)
- }
-
- # Analizar hijos recursivamente
- for child in token.children:
- child_result = get_dependency_depths(child, depth + 1, analyzed_tokens)
-
- # Combinar profundidades
- current_result['depths'].extend(child_result['depths'])
-
- # Combinar relaciones
- for rel, count in child_result['relations'].items():
- current_result['relations'][rel] = current_result['relations'].get(rel, 0) + count
-
- # Acumular score de complejidad
- current_result['complexity_score'] += child_result['complexity_score']
-
- # Calcular métricas adicionales
- current_result['max_depth'] = max(current_result['depths'])
- current_result['avg_depth'] = sum(current_result['depths']) / len(current_result['depths'])
- current_result['relation_diversity'] = len(current_result['relations'])
-
- # Calcular score ponderado por tipo de estructura
- structure_bonus = 0
-
- # Bonus por estructuras complejas
- if 'csubj' in current_result['relations'] or 'ccomp' in current_result['relations']:
- structure_bonus += 0.3
-
- # Bonus por coordinación balanceada
- if 'conj' in current_result['relations'] and 'cc' in current_result['relations']:
- structure_bonus += 0.2
-
- # Bonus por modificación rica
- if len(set(['amod', 'advmod', 'nmod']) & set(current_result['relations'])) >= 2:
- structure_bonus += 0.2
-
- current_result['final_score'] = (
- current_result['complexity_score'] * (1 + structure_bonus)
- )
-
- return current_result
-
-def normalize_score(value, metric_type,
- min_threshold=0.0, target_threshold=1.0,
- range_factor=2.0, optimal_length=None,
- optimal_connections=None, optimal_depth=None):
- """
- Normaliza un valor considerando umbrales específicos por tipo de métrica.
-
- Args:
- value: Valor a normalizar
- metric_type: Tipo de métrica ('vocabulary', 'structure', 'cohesion', 'clarity')
- min_threshold: Valor mínimo aceptable
- target_threshold: Valor objetivo
- range_factor: Factor para ajustar el rango
- optimal_length: Longitud óptima (opcional)
- optimal_connections: Número óptimo de conexiones (opcional)
- optimal_depth: Profundidad óptima de estructura (opcional)
-
- Returns:
- float: Valor normalizado entre 0 y 1
- """
- try:
- # Definir umbrales por tipo de métrica
- METRIC_THRESHOLDS = {
- 'vocabulary': {
- 'min': 0.60,
- 'target': 0.75,
- 'range_factor': 1.5
- },
- 'structure': {
- 'min': 0.65,
- 'target': 0.80,
- 'range_factor': 1.8
- },
- 'cohesion': {
- 'min': 0.55,
- 'target': 0.70,
- 'range_factor': 1.6
- },
- 'clarity': {
- 'min': 0.60,
- 'target': 0.75,
- 'range_factor': 1.7
- }
- }
-
- # Validar valores negativos o cero
- if value < 0:
- logger.warning(f"Valor negativo recibido: {value}")
- return 0.0
-
- # Manejar caso donde el valor es cero
- if value == 0:
- logger.warning("Valor cero recibido")
- return 0.0
-
- # Obtener umbrales específicos para el tipo de métrica
- thresholds = METRIC_THRESHOLDS.get(metric_type, {
- 'min': min_threshold,
- 'target': target_threshold,
- 'range_factor': range_factor
- })
-
- # Identificar el valor de referencia a usar
- if optimal_depth is not None:
- reference = optimal_depth
- elif optimal_connections is not None:
- reference = optimal_connections
- elif optimal_length is not None:
- reference = optimal_length
- else:
- reference = thresholds['target']
-
- # Validar valor de referencia
- if reference <= 0:
- logger.warning(f"Valor de referencia inválido: {reference}")
- return 0.0
-
- # Calcular score basado en umbrales
- if value < thresholds['min']:
- # Valor por debajo del mínimo
- score = (value / thresholds['min']) * 0.5 # Máximo 0.5 para valores bajo el mínimo
- elif value < thresholds['target']:
- # Valor entre mínimo y objetivo
- range_size = thresholds['target'] - thresholds['min']
- progress = (value - thresholds['min']) / range_size
- score = 0.5 + (progress * 0.5) # Escala entre 0.5 y 1.0
- else:
- # Valor alcanza o supera el objetivo
- score = 1.0
-
- # Penalizar valores muy por encima del objetivo
- if value > (thresholds['target'] * thresholds['range_factor']):
- excess = (value - thresholds['target']) / (thresholds['target'] * thresholds['range_factor'])
- score = max(0.7, 1.0 - excess) # No bajar de 0.7 para valores altos
-
- # Asegurar que el resultado esté entre 0 y 1
- return max(0.0, min(1.0, score))
-
- except Exception as e:
- logger.error(f"Error en normalize_score: {str(e)}")
- return 0.0
-
-
-# Funciones de generación de gráficos
-def generate_sentence_graphs(doc):
- """Genera visualizaciones de estructura de oraciones"""
- fig, ax = plt.subplots(figsize=(10, 6))
- # Implementar visualización
- plt.close()
- return fig
-
-def generate_word_connections(doc):
- """Genera red de conexiones de palabras"""
- fig, ax = plt.subplots(figsize=(10, 6))
- # Implementar visualización
- plt.close()
- return fig
-
-def generate_connection_paths(doc):
- """Genera patrones de conexión"""
- fig, ax = plt.subplots(figsize=(10, 6))
- # Implementar visualización
- plt.close()
- return fig
-
-def create_vocabulary_network(doc):
- """
- Genera el grafo de red de vocabulario.
- """
- G = nx.Graph()
-
- # Crear nodos para palabras significativas
- words = [token.text.lower() for token in doc if token.is_alpha and not token.is_stop]
- word_freq = Counter(words)
-
- # Añadir nodos con tamaño basado en frecuencia
- for word, freq in word_freq.items():
- G.add_node(word, size=freq)
-
- # Crear conexiones basadas en co-ocurrencia
- window_size = 5
- for i in range(len(words) - window_size):
- window = words[i:i+window_size]
- for w1, w2 in combinations(set(window), 2):
- if G.has_edge(w1, w2):
- G[w1][w2]['weight'] += 1
- else:
- G.add_edge(w1, w2, weight=1)
-
- # Crear visualización
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
-
- # Dibujar nodos
- nx.draw_networkx_nodes(G, pos,
- node_size=[G.nodes[node]['size']*100 for node in G.nodes],
- node_color='lightblue',
- alpha=0.7)
-
- # Dibujar conexiones
- nx.draw_networkx_edges(G, pos,
- width=[G[u][v]['weight']*0.5 for u,v in G.edges],
- alpha=0.5)
-
- # Añadir etiquetas
- nx.draw_networkx_labels(G, pos)
-
- plt.title("Red de Vocabulario")
- plt.axis('off')
- return fig
-
-def create_syntax_complexity_graph(doc):
- """
- Genera el diagrama de arco de complejidad sintáctica.
- Muestra la estructura de dependencias con colores basados en la complejidad.
- """
- try:
- # Preparar datos para la visualización
- sentences = list(doc.sents)
- if not sentences:
- return None
-
- # Crear figura para el gráfico
- fig, ax = plt.subplots(figsize=(12, len(sentences) * 2))
-
- # Colores para diferentes niveles de profundidad
- depth_colors = plt.cm.viridis(np.linspace(0, 1, 6))
-
- y_offset = 0
- max_x = 0
-
- for sent in sentences:
- words = [token.text for token in sent]
- x_positions = range(len(words))
- max_x = max(max_x, len(words))
-
- # Dibujar palabras
- plt.plot(x_positions, [y_offset] * len(words), 'k-', alpha=0.2)
- plt.scatter(x_positions, [y_offset] * len(words), alpha=0)
-
- # Añadir texto
- for i, word in enumerate(words):
- plt.annotate(word, (i, y_offset), xytext=(0, -10),
- textcoords='offset points', ha='center')
-
- # Dibujar arcos de dependencia
- for token in sent:
- if token.dep_ != "ROOT":
- # Calcular profundidad de dependencia
- depth = 0
- current = token
- while current.head != current:
- depth += 1
- current = current.head
-
- # Determinar posiciones para el arco
- start = token.i - sent[0].i
- end = token.head.i - sent[0].i
-
- # Altura del arco basada en la distancia entre palabras
- height = 0.5 * abs(end - start)
-
- # Color basado en la profundidad
- color = depth_colors[min(depth, len(depth_colors)-1)]
-
- # Crear arco
- arc = patches.Arc((min(start, end) + abs(end - start)/2, y_offset),
- width=abs(end - start),
- height=height,
- angle=0,
- theta1=0,
- theta2=180,
- color=color,
- alpha=0.6)
- ax.add_patch(arc)
-
- y_offset -= 2
-
- # Configurar el gráfico
- plt.xlim(-1, max_x)
- plt.ylim(y_offset - 1, 1)
- plt.axis('off')
- plt.title("Complejidad Sintáctica")
-
- return fig
-
- except Exception as e:
- logger.error(f"Error en create_syntax_complexity_graph: {str(e)}")
- return None
-
-
-def create_cohesion_heatmap(doc):
- """Genera un mapa de calor que muestra la cohesión entre párrafos/oraciones."""
- try:
- sentences = list(doc.sents)
- n_sentences = len(sentences)
-
- if n_sentences < 2:
- return None
-
- similarity_matrix = np.zeros((n_sentences, n_sentences))
-
- for i in range(n_sentences):
- for j in range(n_sentences):
- sent1_lemmas = {token.lemma_ for token in sentences[i]
- if token.is_alpha and not token.is_stop}
- sent2_lemmas = {token.lemma_ for token in sentences[j]
- if token.is_alpha and not token.is_stop}
-
- if sent1_lemmas and sent2_lemmas:
- intersection = len(sent1_lemmas & sent2_lemmas) # Corregido aquí
- union = len(sent1_lemmas | sent2_lemmas) # Y aquí
- similarity_matrix[i, j] = intersection / union if union > 0 else 0
-
- # Crear visualización
- fig, ax = plt.subplots(figsize=(10, 8))
-
- sns.heatmap(similarity_matrix,
- cmap='YlOrRd',
- square=True,
- xticklabels=False,
- yticklabels=False,
- cbar_kws={'label': 'Cohesión'},
- ax=ax)
-
- plt.title("Mapa de Cohesión Textual")
- plt.xlabel("Oraciones")
- plt.ylabel("Oraciones")
-
- plt.tight_layout()
- return fig
-
- except Exception as e:
- logger.error(f"Error en create_cohesion_heatmap: {str(e)}")
- return None
+#v3/modules/studentact/current_situation_analysis.py
+
+import streamlit as st
+import matplotlib.pyplot as plt
+import networkx as nx
+import seaborn as sns
+from collections import Counter
+from itertools import combinations
+import numpy as np
+import matplotlib.patches as patches
+import logging
+
+# 2. Configuración básica del logging
+logging.basicConfig(
+ level=logging.INFO,
+ format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
+ handlers=[
+ logging.StreamHandler(),
+ logging.FileHandler('app.log')
+ ]
+)
+
+# 3. Obtener el logger específico para este módulo
+logger = logging.getLogger(__name__)
+
+#########################################################################
+
+def correlate_metrics(scores):
+ """
+ Ajusta los scores para mantener correlaciones lógicas entre métricas.
+
+ Args:
+ scores: dict con scores iniciales de vocabulario, estructura, cohesión y claridad
+
+ Returns:
+ dict con scores ajustados
+ """
+ try:
+ # 1. Correlación estructura-cohesión
+ # La cohesión no puede ser menor que estructura * 0.7
+ min_cohesion = scores['structure']['normalized_score'] * 0.7
+ if scores['cohesion']['normalized_score'] < min_cohesion:
+ scores['cohesion']['normalized_score'] = min_cohesion
+
+ # 2. Correlación vocabulario-cohesión
+ # La cohesión léxica depende del vocabulario
+ vocab_influence = scores['vocabulary']['normalized_score'] * 0.6
+ scores['cohesion']['normalized_score'] = max(
+ scores['cohesion']['normalized_score'],
+ vocab_influence
+ )
+
+ # 3. Correlación cohesión-claridad
+ # La claridad no puede superar cohesión * 1.2
+ max_clarity = scores['cohesion']['normalized_score'] * 1.2
+ if scores['clarity']['normalized_score'] > max_clarity:
+ scores['clarity']['normalized_score'] = max_clarity
+
+ # 4. Correlación estructura-claridad
+ # La claridad no puede superar estructura * 1.1
+ struct_max_clarity = scores['structure']['normalized_score'] * 1.1
+ scores['clarity']['normalized_score'] = min(
+ scores['clarity']['normalized_score'],
+ struct_max_clarity
+ )
+
+ # Normalizar todos los scores entre 0 y 1
+ for metric in scores:
+ scores[metric]['normalized_score'] = max(0.0, min(1.0, scores[metric]['normalized_score']))
+
+ return scores
+
+ except Exception as e:
+ logger.error(f"Error en correlate_metrics: {str(e)}")
+ return scores
+
+##########################################################################
+
+def analyze_text_dimensions(doc):
+ """
+ Analiza las dimensiones principales del texto manteniendo correlaciones lógicas.
+ """
+ try:
+ # Obtener scores iniciales
+ vocab_score, vocab_details = analyze_vocabulary_diversity(doc)
+ struct_score = analyze_structure(doc)
+ cohesion_score = analyze_cohesion(doc)
+ clarity_score, clarity_details = analyze_clarity(doc)
+
+ # Crear diccionario de scores inicial
+ scores = {
+ 'vocabulary': {
+ 'normalized_score': vocab_score,
+ 'details': vocab_details
+ },
+ 'structure': {
+ 'normalized_score': struct_score,
+ 'details': None
+ },
+ 'cohesion': {
+ 'normalized_score': cohesion_score,
+ 'details': None
+ },
+ 'clarity': {
+ 'normalized_score': clarity_score,
+ 'details': clarity_details
+ }
+ }
+
+ # Ajustar correlaciones entre métricas
+ adjusted_scores = correlate_metrics(scores)
+
+ # Logging para diagnóstico
+ logger.info(f"""
+ Scores originales vs ajustados:
+ Vocabulario: {vocab_score:.2f} -> {adjusted_scores['vocabulary']['normalized_score']:.2f}
+ Estructura: {struct_score:.2f} -> {adjusted_scores['structure']['normalized_score']:.2f}
+ Cohesión: {cohesion_score:.2f} -> {adjusted_scores['cohesion']['normalized_score']:.2f}
+ Claridad: {clarity_score:.2f} -> {adjusted_scores['clarity']['normalized_score']:.2f}
+ """)
+
+ return adjusted_scores
+
+ except Exception as e:
+ logger.error(f"Error en analyze_text_dimensions: {str(e)}")
+ return {
+ 'vocabulary': {'normalized_score': 0.0, 'details': {}},
+ 'structure': {'normalized_score': 0.0, 'details': {}},
+ 'cohesion': {'normalized_score': 0.0, 'details': {}},
+ 'clarity': {'normalized_score': 0.0, 'details': {}}
+ }
+
+
+
+#############################################################################################
+
+def analyze_clarity(doc):
+ """
+ Analiza la claridad del texto considerando múltiples factores.
+ """
+ try:
+ sentences = list(doc.sents)
+ if not sentences:
+ return 0.0, {}
+
+ # 1. Longitud de oraciones
+ sentence_lengths = [len(sent) for sent in sentences]
+ avg_length = sum(sentence_lengths) / len(sentences)
+
+ # Normalizar usando los umbrales definidos para clarity
+ length_score = normalize_score(
+ value=avg_length,
+ metric_type='clarity',
+ optimal_length=20, # Una oración ideal tiene ~20 palabras
+ min_threshold=0.60, # Consistente con METRIC_THRESHOLDS
+ target_threshold=0.75 # Consistente con METRIC_THRESHOLDS
+ )
+
+ # 2. Análisis de conectores
+ connector_count = 0
+ connector_weights = {
+ 'CCONJ': 1.0, # Coordinantes
+ 'SCONJ': 1.2, # Subordinantes
+ 'ADV': 0.8 # Adverbios conectivos
+ }
+
+ for token in doc:
+ if token.pos_ in connector_weights and token.dep_ in ['cc', 'mark', 'advmod']:
+ connector_count += connector_weights[token.pos_]
+
+ # Normalizar conectores por oración
+ connectors_per_sentence = connector_count / len(sentences) if sentences else 0
+ connector_score = normalize_score(
+ value=connectors_per_sentence,
+ metric_type='clarity',
+ optimal_connections=1.5, # ~1.5 conectores por oración es óptimo
+ min_threshold=0.60,
+ target_threshold=0.75
+ )
+
+ # 3. Complejidad estructural
+ clause_count = 0
+ for sent in sentences:
+ verbs = [token for token in sent if token.pos_ == 'VERB']
+ clause_count += len(verbs)
+
+ complexity_raw = clause_count / len(sentences) if sentences else 0
+ complexity_score = normalize_score(
+ value=complexity_raw,
+ metric_type='clarity',
+ optimal_depth=2.0, # ~2 cláusulas por oración es óptimo
+ min_threshold=0.60,
+ target_threshold=0.75
+ )
+
+ # 4. Densidad léxica
+ content_words = len([token for token in doc if token.pos_ in ['NOUN', 'VERB', 'ADJ', 'ADV']])
+ total_words = len([token for token in doc if token.is_alpha])
+ density = content_words / total_words if total_words > 0 else 0
+
+ density_score = normalize_score(
+ value=density,
+ metric_type='clarity',
+ optimal_connections=0.6, # 60% de palabras de contenido es óptimo
+ min_threshold=0.60,
+ target_threshold=0.75
+ )
+
+ # Score final ponderado
+ weights = {
+ 'length': 0.3,
+ 'connectors': 0.3,
+ 'complexity': 0.2,
+ 'density': 0.2
+ }
+
+ clarity_score = (
+ weights['length'] * length_score +
+ weights['connectors'] * connector_score +
+ weights['complexity'] * complexity_score +
+ weights['density'] * density_score
+ )
+
+ details = {
+ 'length_score': length_score,
+ 'connector_score': connector_score,
+ 'complexity_score': complexity_score,
+ 'density_score': density_score,
+ 'avg_sentence_length': avg_length,
+ 'connectors_per_sentence': connectors_per_sentence,
+ 'density': density
+ }
+
+ # Agregar logging para diagnóstico
+ logger.info(f"""
+ Scores de Claridad:
+ - Longitud: {length_score:.2f} (avg={avg_length:.1f} palabras)
+ - Conectores: {connector_score:.2f} (avg={connectors_per_sentence:.1f} por oración)
+ - Complejidad: {complexity_score:.2f} (avg={complexity_raw:.1f} cláusulas)
+ - Densidad: {density_score:.2f} ({density*100:.1f}% palabras de contenido)
+ - Score Final: {clarity_score:.2f}
+ """)
+
+ return clarity_score, details
+
+ except Exception as e:
+ logger.error(f"Error en analyze_clarity: {str(e)}")
+ return 0.0, {}
+
+
+def analyze_vocabulary_diversity(doc):
+ """Análisis mejorado de la diversidad y calidad del vocabulario"""
+ try:
+ # 1. Análisis básico de diversidad
+ unique_lemmas = {token.lemma_ for token in doc if token.is_alpha}
+ total_words = len([token for token in doc if token.is_alpha])
+ basic_diversity = len(unique_lemmas) / total_words if total_words > 0 else 0
+
+ # 2. Análisis de registro
+ academic_words = 0
+ narrative_words = 0
+ technical_terms = 0
+
+ # Clasificar palabras por registro
+ for token in doc:
+ if token.is_alpha:
+ # Detectar términos académicos/técnicos
+ if token.pos_ in ['NOUN', 'VERB', 'ADJ']:
+ if any(parent.pos_ == 'NOUN' for parent in token.ancestors):
+ technical_terms += 1
+ # Detectar palabras narrativas
+ if token.pos_ in ['VERB', 'ADV'] and token.dep_ in ['ROOT', 'advcl']:
+ narrative_words += 1
+
+ # 3. Análisis de complejidad sintáctica
+ avg_sentence_length = sum(len(sent) for sent in doc.sents) / len(list(doc.sents))
+
+ # 4. Calcular score ponderado
+ weights = {
+ 'diversity': 0.3,
+ 'technical': 0.3,
+ 'narrative': 0.2,
+ 'complexity': 0.2
+ }
+
+ scores = {
+ 'diversity': basic_diversity,
+ 'technical': technical_terms / total_words if total_words > 0 else 0,
+ 'narrative': narrative_words / total_words if total_words > 0 else 0,
+ 'complexity': min(1.0, avg_sentence_length / 20) # Normalizado a 20 palabras
+ }
+
+ # Score final ponderado
+ final_score = sum(weights[key] * scores[key] for key in weights)
+
+ # Información adicional para diagnóstico
+ details = {
+ 'text_type': 'narrative' if scores['narrative'] > scores['technical'] else 'academic',
+ 'scores': scores
+ }
+
+ return final_score, details
+
+ except Exception as e:
+ logger.error(f"Error en analyze_vocabulary_diversity: {str(e)}")
+ return 0.0, {}
+
+def analyze_cohesion(doc):
+ """Analiza la cohesión textual"""
+ try:
+ sentences = list(doc.sents)
+ if len(sentences) < 2:
+ logger.warning("Texto demasiado corto para análisis de cohesión")
+ return 0.0
+
+ # 1. Análisis de conexiones léxicas
+ lexical_connections = 0
+ total_possible_connections = 0
+
+ for i in range(len(sentences)-1):
+ # Obtener lemmas significativos (no stopwords)
+ sent1_words = {token.lemma_ for token in sentences[i]
+ if token.is_alpha and not token.is_stop}
+ sent2_words = {token.lemma_ for token in sentences[i+1]
+ if token.is_alpha and not token.is_stop}
+
+ if sent1_words and sent2_words: # Verificar que ambos conjuntos no estén vacíos
+ intersection = len(sent1_words.intersection(sent2_words))
+ total_possible = min(len(sent1_words), len(sent2_words))
+
+ if total_possible > 0:
+ lexical_score = intersection / total_possible
+ lexical_connections += lexical_score
+ total_possible_connections += 1
+
+ # 2. Análisis de conectores
+ connector_count = 0
+ connector_types = {
+ 'CCONJ': 1.0, # Coordinantes
+ 'SCONJ': 1.2, # Subordinantes
+ 'ADV': 0.8 # Adverbios conectivos
+ }
+
+ for token in doc:
+ if (token.pos_ in connector_types and
+ token.dep_ in ['cc', 'mark', 'advmod'] and
+ not token.is_stop):
+ connector_count += connector_types[token.pos_]
+
+ # 3. Cálculo de scores normalizados
+ if total_possible_connections > 0:
+ lexical_cohesion = lexical_connections / total_possible_connections
+ else:
+ lexical_cohesion = 0
+
+ if len(sentences) > 1:
+ connector_cohesion = min(1.0, connector_count / (len(sentences) - 1))
+ else:
+ connector_cohesion = 0
+
+ # 4. Score final ponderado
+ weights = {
+ 'lexical': 0.7,
+ 'connectors': 0.3
+ }
+
+ cohesion_score = (
+ weights['lexical'] * lexical_cohesion +
+ weights['connectors'] * connector_cohesion
+ )
+
+ # 5. Logging para diagnóstico
+ logger.info(f"""
+ Análisis de Cohesión:
+ - Conexiones léxicas encontradas: {lexical_connections}
+ - Conexiones posibles: {total_possible_connections}
+ - Lexical cohesion score: {lexical_cohesion}
+ - Conectores encontrados: {connector_count}
+ - Connector cohesion score: {connector_cohesion}
+ - Score final: {cohesion_score}
+ """)
+
+ return cohesion_score
+
+ except Exception as e:
+ logger.error(f"Error en analyze_cohesion: {str(e)}")
+ return 0.0
+
+def analyze_structure(doc):
+ try:
+ if len(doc) == 0:
+ return 0.0
+
+ structure_scores = []
+ for token in doc:
+ if token.dep_ == 'ROOT':
+ result = get_dependency_depths(token)
+ structure_scores.append(result['final_score'])
+
+ if not structure_scores:
+ return 0.0
+
+ return min(1.0, sum(structure_scores) / len(structure_scores))
+
+ except Exception as e:
+ logger.error(f"Error en analyze_structure: {str(e)}")
+ return 0.0
+
+# Funciones auxiliares de análisis
+
+def get_dependency_depths(token, depth=0, analyzed_tokens=None):
+ """
+ Analiza la profundidad y calidad de las relaciones de dependencia.
+
+ Args:
+ token: Token a analizar
+ depth: Profundidad actual en el árbol
+ analyzed_tokens: Set para evitar ciclos en el análisis
+
+ Returns:
+ dict: Información detallada sobre las dependencias
+ - depths: Lista de profundidades
+ - relations: Diccionario con tipos de relaciones encontradas
+ - complexity_score: Puntuación de complejidad
+ """
+ if analyzed_tokens is None:
+ analyzed_tokens = set()
+
+ # Evitar ciclos
+ if token.i in analyzed_tokens:
+ return {
+ 'depths': [],
+ 'relations': {},
+ 'complexity_score': 0
+ }
+
+ analyzed_tokens.add(token.i)
+
+ # Pesos para diferentes tipos de dependencias
+ dependency_weights = {
+ # Dependencias principales
+ 'nsubj': 1.2, # Sujeto nominal
+ 'obj': 1.1, # Objeto directo
+ 'iobj': 1.1, # Objeto indirecto
+ 'ROOT': 1.3, # Raíz
+
+ # Modificadores
+ 'amod': 0.8, # Modificador adjetival
+ 'advmod': 0.8, # Modificador adverbial
+ 'nmod': 0.9, # Modificador nominal
+
+ # Estructuras complejas
+ 'csubj': 1.4, # Cláusula como sujeto
+ 'ccomp': 1.3, # Complemento clausal
+ 'xcomp': 1.2, # Complemento clausal abierto
+ 'advcl': 1.2, # Cláusula adverbial
+
+ # Coordinación y subordinación
+ 'conj': 1.1, # Conjunción
+ 'cc': 0.7, # Coordinación
+ 'mark': 0.8, # Marcador
+
+ # Otros
+ 'det': 0.5, # Determinante
+ 'case': 0.5, # Caso
+ 'punct': 0.1 # Puntuación
+ }
+
+ # Inicializar resultados
+ current_result = {
+ 'depths': [depth],
+ 'relations': {token.dep_: 1},
+ 'complexity_score': dependency_weights.get(token.dep_, 0.5) * (depth + 1)
+ }
+
+ # Analizar hijos recursivamente
+ for child in token.children:
+ child_result = get_dependency_depths(child, depth + 1, analyzed_tokens)
+
+ # Combinar profundidades
+ current_result['depths'].extend(child_result['depths'])
+
+ # Combinar relaciones
+ for rel, count in child_result['relations'].items():
+ current_result['relations'][rel] = current_result['relations'].get(rel, 0) + count
+
+ # Acumular score de complejidad
+ current_result['complexity_score'] += child_result['complexity_score']
+
+ # Calcular métricas adicionales
+ current_result['max_depth'] = max(current_result['depths'])
+ current_result['avg_depth'] = sum(current_result['depths']) / len(current_result['depths'])
+ current_result['relation_diversity'] = len(current_result['relations'])
+
+ # Calcular score ponderado por tipo de estructura
+ structure_bonus = 0
+
+ # Bonus por estructuras complejas
+ if 'csubj' in current_result['relations'] or 'ccomp' in current_result['relations']:
+ structure_bonus += 0.3
+
+ # Bonus por coordinación balanceada
+ if 'conj' in current_result['relations'] and 'cc' in current_result['relations']:
+ structure_bonus += 0.2
+
+ # Bonus por modificación rica
+ if len(set(['amod', 'advmod', 'nmod']) & set(current_result['relations'])) >= 2:
+ structure_bonus += 0.2
+
+ current_result['final_score'] = (
+ current_result['complexity_score'] * (1 + structure_bonus)
+ )
+
+ return current_result
+
+def normalize_score(value, metric_type,
+ min_threshold=0.0, target_threshold=1.0,
+ range_factor=2.0, optimal_length=None,
+ optimal_connections=None, optimal_depth=None):
+ """
+ Normaliza un valor considerando umbrales específicos por tipo de métrica.
+
+ Args:
+ value: Valor a normalizar
+ metric_type: Tipo de métrica ('vocabulary', 'structure', 'cohesion', 'clarity')
+ min_threshold: Valor mínimo aceptable
+ target_threshold: Valor objetivo
+ range_factor: Factor para ajustar el rango
+ optimal_length: Longitud óptima (opcional)
+ optimal_connections: Número óptimo de conexiones (opcional)
+ optimal_depth: Profundidad óptima de estructura (opcional)
+
+ Returns:
+ float: Valor normalizado entre 0 y 1
+ """
+ try:
+ # Definir umbrales por tipo de métrica
+ METRIC_THRESHOLDS = {
+ 'vocabulary': {
+ 'min': 0.60,
+ 'target': 0.75,
+ 'range_factor': 1.5
+ },
+ 'structure': {
+ 'min': 0.65,
+ 'target': 0.80,
+ 'range_factor': 1.8
+ },
+ 'cohesion': {
+ 'min': 0.55,
+ 'target': 0.70,
+ 'range_factor': 1.6
+ },
+ 'clarity': {
+ 'min': 0.60,
+ 'target': 0.75,
+ 'range_factor': 1.7
+ }
+ }
+
+ # Validar valores negativos o cero
+ if value < 0:
+ logger.warning(f"Valor negativo recibido: {value}")
+ return 0.0
+
+ # Manejar caso donde el valor es cero
+ if value == 0:
+ logger.warning("Valor cero recibido")
+ return 0.0
+
+ # Obtener umbrales específicos para el tipo de métrica
+ thresholds = METRIC_THRESHOLDS.get(metric_type, {
+ 'min': min_threshold,
+ 'target': target_threshold,
+ 'range_factor': range_factor
+ })
+
+ # Identificar el valor de referencia a usar
+ if optimal_depth is not None:
+ reference = optimal_depth
+ elif optimal_connections is not None:
+ reference = optimal_connections
+ elif optimal_length is not None:
+ reference = optimal_length
+ else:
+ reference = thresholds['target']
+
+ # Validar valor de referencia
+ if reference <= 0:
+ logger.warning(f"Valor de referencia inválido: {reference}")
+ return 0.0
+
+ # Calcular score basado en umbrales
+ if value < thresholds['min']:
+ # Valor por debajo del mínimo
+ score = (value / thresholds['min']) * 0.5 # Máximo 0.5 para valores bajo el mínimo
+ elif value < thresholds['target']:
+ # Valor entre mínimo y objetivo
+ range_size = thresholds['target'] - thresholds['min']
+ progress = (value - thresholds['min']) / range_size
+ score = 0.5 + (progress * 0.5) # Escala entre 0.5 y 1.0
+ else:
+ # Valor alcanza o supera el objetivo
+ score = 1.0
+
+ # Penalizar valores muy por encima del objetivo
+ if value > (thresholds['target'] * thresholds['range_factor']):
+ excess = (value - thresholds['target']) / (thresholds['target'] * thresholds['range_factor'])
+ score = max(0.7, 1.0 - excess) # No bajar de 0.7 para valores altos
+
+ # Asegurar que el resultado esté entre 0 y 1
+ return max(0.0, min(1.0, score))
+
+ except Exception as e:
+ logger.error(f"Error en normalize_score: {str(e)}")
+ return 0.0
+
+
+# Funciones de generación de gráficos
+def generate_sentence_graphs(doc):
+ """Genera visualizaciones de estructura de oraciones"""
+ fig, ax = plt.subplots(figsize=(10, 6))
+ # Implementar visualización
+ plt.close()
+ return fig
+
+def generate_word_connections(doc):
+ """Genera red de conexiones de palabras"""
+ fig, ax = plt.subplots(figsize=(10, 6))
+ # Implementar visualización
+ plt.close()
+ return fig
+
+def generate_connection_paths(doc):
+ """Genera patrones de conexión"""
+ fig, ax = plt.subplots(figsize=(10, 6))
+ # Implementar visualización
+ plt.close()
+ return fig
+
+def create_vocabulary_network(doc):
+ """
+ Genera el grafo de red de vocabulario.
+ """
+ G = nx.Graph()
+
+ # Crear nodos para palabras significativas
+ words = [token.text.lower() for token in doc if token.is_alpha and not token.is_stop]
+ word_freq = Counter(words)
+
+ # Añadir nodos con tamaño basado en frecuencia
+ for word, freq in word_freq.items():
+ G.add_node(word, size=freq)
+
+ # Crear conexiones basadas en co-ocurrencia
+ window_size = 5
+ for i in range(len(words) - window_size):
+ window = words[i:i+window_size]
+ for w1, w2 in combinations(set(window), 2):
+ if G.has_edge(w1, w2):
+ G[w1][w2]['weight'] += 1
+ else:
+ G.add_edge(w1, w2, weight=1)
+
+ # Crear visualización
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+
+ # Dibujar nodos
+ nx.draw_networkx_nodes(G, pos,
+ node_size=[G.nodes[node]['size']*100 for node in G.nodes],
+ node_color='lightblue',
+ alpha=0.7)
+
+ # Dibujar conexiones
+ nx.draw_networkx_edges(G, pos,
+ width=[G[u][v]['weight']*0.5 for u,v in G.edges],
+ alpha=0.5)
+
+ # Añadir etiquetas
+ nx.draw_networkx_labels(G, pos)
+
+ plt.title("Red de Vocabulario")
+ plt.axis('off')
+ return fig
+
+def create_syntax_complexity_graph(doc):
+ """
+ Genera el diagrama de arco de complejidad sintáctica.
+ Muestra la estructura de dependencias con colores basados en la complejidad.
+ """
+ try:
+ # Preparar datos para la visualización
+ sentences = list(doc.sents)
+ if not sentences:
+ return None
+
+ # Crear figura para el gráfico
+ fig, ax = plt.subplots(figsize=(12, len(sentences) * 2))
+
+ # Colores para diferentes niveles de profundidad
+ depth_colors = plt.cm.viridis(np.linspace(0, 1, 6))
+
+ y_offset = 0
+ max_x = 0
+
+ for sent in sentences:
+ words = [token.text for token in sent]
+ x_positions = range(len(words))
+ max_x = max(max_x, len(words))
+
+ # Dibujar palabras
+ plt.plot(x_positions, [y_offset] * len(words), 'k-', alpha=0.2)
+ plt.scatter(x_positions, [y_offset] * len(words), alpha=0)
+
+ # Añadir texto
+ for i, word in enumerate(words):
+ plt.annotate(word, (i, y_offset), xytext=(0, -10),
+ textcoords='offset points', ha='center')
+
+ # Dibujar arcos de dependencia
+ for token in sent:
+ if token.dep_ != "ROOT":
+ # Calcular profundidad de dependencia
+ depth = 0
+ current = token
+ while current.head != current:
+ depth += 1
+ current = current.head
+
+ # Determinar posiciones para el arco
+ start = token.i - sent[0].i
+ end = token.head.i - sent[0].i
+
+ # Altura del arco basada en la distancia entre palabras
+ height = 0.5 * abs(end - start)
+
+ # Color basado en la profundidad
+ color = depth_colors[min(depth, len(depth_colors)-1)]
+
+ # Crear arco
+ arc = patches.Arc((min(start, end) + abs(end - start)/2, y_offset),
+ width=abs(end - start),
+ height=height,
+ angle=0,
+ theta1=0,
+ theta2=180,
+ color=color,
+ alpha=0.6)
+ ax.add_patch(arc)
+
+ y_offset -= 2
+
+ # Configurar el gráfico
+ plt.xlim(-1, max_x)
+ plt.ylim(y_offset - 1, 1)
+ plt.axis('off')
+ plt.title("Complejidad Sintáctica")
+
+ return fig
+
+ except Exception as e:
+ logger.error(f"Error en create_syntax_complexity_graph: {str(e)}")
+ return None
+
+
+def create_cohesion_heatmap(doc):
+ """Genera un mapa de calor que muestra la cohesión entre párrafos/oraciones."""
+ try:
+ sentences = list(doc.sents)
+ n_sentences = len(sentences)
+
+ if n_sentences < 2:
+ return None
+
+ similarity_matrix = np.zeros((n_sentences, n_sentences))
+
+ for i in range(n_sentences):
+ for j in range(n_sentences):
+ sent1_lemmas = {token.lemma_ for token in sentences[i]
+ if token.is_alpha and not token.is_stop}
+ sent2_lemmas = {token.lemma_ for token in sentences[j]
+ if token.is_alpha and not token.is_stop}
+
+ if sent1_lemmas and sent2_lemmas:
+ intersection = len(sent1_lemmas & sent2_lemmas) # Corregido aquí
+ union = len(sent1_lemmas | sent2_lemmas) # Y aquí
+ similarity_matrix[i, j] = intersection / union if union > 0 else 0
+
+ # Crear visualización
+ fig, ax = plt.subplots(figsize=(10, 8))
+
+ sns.heatmap(similarity_matrix,
+ cmap='YlOrRd',
+ square=True,
+ xticklabels=False,
+ yticklabels=False,
+ cbar_kws={'label': 'Cohesión'},
+ ax=ax)
+
+ plt.title("Mapa de Cohesión Textual")
+ plt.xlabel("Oraciones")
+ plt.ylabel("Oraciones")
+
+ plt.tight_layout()
+ return fig
+
+ except Exception as e:
+ logger.error(f"Error en create_cohesion_heatmap: {str(e)}")
+ return None
diff --git a/modules/studentact/current_situation_interface--FAIL.py b/modules/studentact/current_situation_interface--FAIL.py
index 1542732c53c4e01730d333ef174bd83699641469..cae6e5be1412c8006108b6c8c77719bd5d684e63 100644
--- a/modules/studentact/current_situation_interface--FAIL.py
+++ b/modules/studentact/current_situation_interface--FAIL.py
@@ -1,608 +1,608 @@
-# modules/studentact/current_situation_interface.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-import matplotlib.pyplot as plt
-import numpy as np
-
-from ..database.current_situation_mongo_db import store_current_situation_result
-
-from ..database.writing_progress_mongo_db import (
- store_writing_baseline,
- store_writing_progress,
- get_writing_baseline,
- get_writing_progress,
- get_latest_writing_metrics
-)
-
-from .current_situation_analysis import (
- analyze_text_dimensions,
- analyze_clarity,
- analyze_vocabulary_diversity,
- analyze_cohesion,
- analyze_structure,
- get_dependency_depths,
- normalize_score,
- generate_sentence_graphs,
- generate_word_connections,
- generate_connection_paths,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap
-)
-
-# Configuración del estilo de matplotlib para el gráfico de radar
-plt.rcParams['font.family'] = 'sans-serif'
-plt.rcParams['axes.grid'] = True
-plt.rcParams['axes.spines.top'] = False
-plt.rcParams['axes.spines.right'] = False
-
-logger = logging.getLogger(__name__)
-####################################
-
-TEXT_TYPES = {
- 'academic_article': {
- 'name': 'Artículo Académico',
- 'thresholds': {
- 'vocabulary': {'min': 0.70, 'target': 0.85},
- 'structure': {'min': 0.75, 'target': 0.90},
- 'cohesion': {'min': 0.65, 'target': 0.80},
- 'clarity': {'min': 0.70, 'target': 0.85}
- }
- },
- 'student_essay': {
- 'name': 'Trabajo Universitario',
- 'thresholds': {
- 'vocabulary': {'min': 0.60, 'target': 0.75},
- 'structure': {'min': 0.65, 'target': 0.80},
- 'cohesion': {'min': 0.55, 'target': 0.70},
- 'clarity': {'min': 0.60, 'target': 0.75}
- }
- },
- 'general_communication': {
- 'name': 'Comunicación General',
- 'thresholds': {
- 'vocabulary': {'min': 0.50, 'target': 0.65},
- 'structure': {'min': 0.55, 'target': 0.70},
- 'cohesion': {'min': 0.45, 'target': 0.60},
- 'clarity': {'min': 0.50, 'target': 0.65}
- }
- }
-}
-####################################
-
-ANALYSIS_DIMENSION_MAPPING = {
- 'morphosyntactic': {
- 'primary': ['vocabulary', 'clarity'],
- 'secondary': ['structure'],
- 'tools': ['arc_diagrams', 'word_repetition']
- },
- 'semantic': {
- 'primary': ['cohesion', 'structure'],
- 'secondary': ['vocabulary'],
- 'tools': ['concept_graphs', 'semantic_networks']
- },
- 'discourse': {
- 'primary': ['cohesion', 'structure'],
- 'secondary': ['clarity'],
- 'tools': ['comparative_analysis']
- }
-}
-
-##############################################################################
-# FUNCIÓN PRINCIPAL
-##############################################################################
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- TAB:
- - Expander con radio para tipo de texto
- Contenedor-1 con expanders:
- - Expander "Métricas de la línea base"
- - Expander "Métricas de la iteración"
- Contenedor-2 (2 columnas):
- - Col1: Texto base
- - Col2: Texto iteración
- Al final, Recomendaciones en un expander (una sola “fila”).
- """
-
- # --- Inicializar session_state ---
- if 'base_text' not in st.session_state:
- st.session_state.base_text = ""
- if 'iter_text' not in st.session_state:
- st.session_state.iter_text = ""
- if 'base_metrics' not in st.session_state:
- st.session_state.base_metrics = {}
- if 'iter_metrics' not in st.session_state:
- st.session_state.iter_metrics = {}
- if 'show_base' not in st.session_state:
- st.session_state.show_base = False
- if 'show_iter' not in st.session_state:
- st.session_state.show_iter = False
-
- # Creamos un tab
- tabs = st.tabs(["Análisis de Texto"])
- with tabs[0]:
- # [1] Expander con radio para seleccionar tipo de texto
- with st.expander("Selecciona el tipo de texto", expanded=True):
- text_type = st.radio(
- "¿Qué tipo de texto quieres analizar?",
- options=list(TEXT_TYPES.keys()),
- format_func=lambda x: TEXT_TYPES[x]['name'],
- index=0
- )
- st.session_state.current_text_type = text_type
-
- st.markdown("---")
-
- # ---------------------------------------------------------------------
- # CONTENEDOR-1: Expanders para métricas base e iteración
- # ---------------------------------------------------------------------
- with st.container():
- # --- Expander para la línea base ---
- with st.expander("Métricas de la línea base", expanded=False):
- if st.session_state.show_base and st.session_state.base_metrics:
- # Mostramos los valores reales
- display_metrics_in_one_row(st.session_state.base_metrics, text_type)
- else:
- # Mostramos la maqueta vacía
- display_empty_metrics_row()
-
- # --- Expander para la iteración ---
- with st.expander("Métricas de la iteración", expanded=False):
- if st.session_state.show_iter and st.session_state.iter_metrics:
- display_metrics_in_one_row(st.session_state.iter_metrics, text_type)
- else:
- display_empty_metrics_row()
-
- st.markdown("---")
-
- # ---------------------------------------------------------------------
- # CONTENEDOR-2: 2 columnas (texto base | texto iteración)
- # ---------------------------------------------------------------------
- with st.container():
- col_left, col_right = st.columns(2)
-
- # Columna izquierda: Texto base
- with col_left:
- st.markdown("**Texto base**")
- text_base = st.text_area(
- label="",
- value=st.session_state.base_text,
- key="text_base_area",
- placeholder="Pega aquí tu texto base",
- )
- if st.button("Analizar Base"):
- with st.spinner("Analizando texto base..."):
- doc = nlp_models[lang_code](text_base)
- metrics = analyze_text_dimensions(doc)
-
- st.session_state.base_text = text_base
- st.session_state.base_metrics = metrics
- st.session_state.show_base = True
- # Al analizar base, reiniciamos la iteración
- st.session_state.show_iter = False
-
- # Columna derecha: Texto iteración
- with col_right:
- st.markdown("**Texto de iteración**")
- text_iter = st.text_area(
- label="",
- value=st.session_state.iter_text,
- key="text_iter_area",
- placeholder="Edita y mejora tu texto...",
- disabled=not st.session_state.show_base
- )
- if st.button("Analizar Iteración", disabled=not st.session_state.show_base):
- with st.spinner("Analizando iteración..."):
- doc = nlp_models[lang_code](text_iter)
- metrics = analyze_text_dimensions(doc)
-
- st.session_state.iter_text = text_iter
- st.session_state.iter_metrics = metrics
- st.session_state.show_iter = True
-
- # ---------------------------------------------------------------------
- # Recomendaciones al final en un expander (una sola “fila”)
- # ---------------------------------------------------------------------
- if st.session_state.show_iter:
- with st.expander("Recomendaciones", expanded=False):
- reco_list = []
- for dimension, values in st.session_state.iter_metrics.items():
- score = values['normalized_score']
- target = TEXT_TYPES[text_type]['thresholds'][dimension]['target']
- if score < target:
- # Aquí, en lugar de get_dimension_suggestions, unificamos con:
- suggestions = suggest_improvement_tools_list(dimension)
- reco_list.extend(suggestions)
-
- if reco_list:
- # Todas en una sola línea
- st.write(" | ".join(reco_list))
- else:
- st.info("¡No hay recomendaciones! Todas las métricas superan la meta.")
-
-
-
-
-
-
-
-#Funciones de visualización ##################################
-############################################################
-# Funciones de visualización para las métricas
-############################################################
-
-def display_metrics_in_one_row(metrics, text_type):
- """
- Muestra las cuatro dimensiones (Vocabulario, Estructura, Cohesión, Claridad)
- en una sola línea, usando 4 columnas con ancho uniforme.
- """
- thresholds = TEXT_TYPES[text_type]['thresholds']
- dimensions = ["vocabulary", "structure", "cohesion", "clarity"]
-
- col1, col2, col3, col4 = st.columns([1,1,1,1])
- cols = [col1, col2, col3, col4]
-
- for dim, col in zip(dimensions, cols):
- score = metrics[dim]['normalized_score']
- target = thresholds[dim]['target']
- min_val = thresholds[dim]['min']
-
- if score < min_val:
- status = "⚠️ Por mejorar"
- color = "inverse"
- elif score < target:
- status = "📈 Aceptable"
- color = "off"
- else:
- status = "✅ Óptimo"
- color = "normal"
-
- with col:
- col.metric(
- label=dim.capitalize(),
- value=f"{score:.2f}",
- delta=f"{status} (Meta: {target:.2f})",
- delta_color=color,
- border=True
- )
-
-
-# -------------------------------------------------------------------------
-# Función que muestra una fila de 4 columnas “vacías”
-# -------------------------------------------------------------------------
-def display_empty_metrics_row():
- """
- Muestra una fila de 4 columnas vacías (Vocabulario, Estructura, Cohesión, Claridad).
- Cada columna se dibuja con st.metric en blanco (“-”).
- """
- empty_cols = st.columns([1,1,1,1])
- labels = ["Vocabulario", "Estructura", "Cohesión", "Claridad"]
-
- for col, lbl in zip(empty_cols, labels):
- with col:
- col.metric(
- label=lbl,
- value="-",
- delta="",
- border=True
- )
-
-
-
-####################################################################
-
-def display_metrics_analysis(metrics, text_type=None):
- """
- Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
- """
- try:
- # Usar valor por defecto si no se especifica tipo
- text_type = text_type or 'student_essay'
-
- # Obtener umbrales según el tipo de texto
- thresholds = TEXT_TYPES[text_type]['thresholds']
-
- # Crear dos columnas para las métricas y el gráfico
- metrics_col, graph_col = st.columns([1, 1.5])
-
- # Columna de métricas
- with metrics_col:
- metrics_config = [
- {
- 'label': "Vocabulario",
- 'key': 'vocabulary',
- 'value': metrics['vocabulary']['normalized_score'],
- 'help': "Riqueza y variedad del vocabulario",
- 'thresholds': thresholds['vocabulary']
- },
- {
- 'label': "Estructura",
- 'key': 'structure',
- 'value': metrics['structure']['normalized_score'],
- 'help': "Organización y complejidad de oraciones",
- 'thresholds': thresholds['structure']
- },
- {
- 'label': "Cohesión",
- 'key': 'cohesion',
- 'value': metrics['cohesion']['normalized_score'],
- 'help': "Conexión y fluidez entre ideas",
- 'thresholds': thresholds['cohesion']
- },
- {
- 'label': "Claridad",
- 'key': 'clarity',
- 'value': metrics['clarity']['normalized_score'],
- 'help': "Facilidad de comprensión del texto",
- 'thresholds': thresholds['clarity']
- }
- ]
-
- # Mostrar métricas
- for metric in metrics_config:
- value = metric['value']
- if value < metric['thresholds']['min']:
- status = "⚠️ Por mejorar"
- color = "inverse"
- elif value < metric['thresholds']['target']:
- status = "📈 Aceptable"
- color = "off"
- else:
- status = "✅ Óptimo"
- color = "normal"
-
- st.metric(
- metric['label'],
- f"{value:.2f}",
- f"{status} (Meta: {metric['thresholds']['target']:.2f})",
- delta_color=color,
- help=metric['help']
- )
- st.markdown("", unsafe_allow_html=True)
-
- except Exception as e:
- logger.error(f"Error mostrando resultados: {str(e)}")
- st.error("Error al mostrar los resultados")
-
-def display_comparison_results(baseline_metrics, current_metrics):
- """Muestra comparación entre línea base y métricas actuales"""
-
- # Crear columnas para métricas y gráfico
- metrics_col, graph_col = st.columns([1, 1.5])
-
- with metrics_col:
- for dimension in ['vocabulary', 'structure', 'cohesion', 'clarity']:
- baseline = baseline_metrics[dimension]['normalized_score']
- current = current_metrics[dimension]['normalized_score']
- delta = current - baseline
-
- st.metric(
- dimension.title(),
- f"{current:.2f}",
- f"{delta:+.2f}",
- delta_color="normal" if delta >= 0 else "inverse"
- )
-
- # Sugerir herramientas de mejora
- if delta < 0:
- suggest_improvement_tools(dimension)
-
- with graph_col:
- display_radar_chart_comparison(
- baseline_metrics,
- current_metrics
- )
-
-def display_metrics_and_suggestions(metrics, text_type, title, show_suggestions=False):
- """
- Muestra métricas y opcionalmente sugerencias de mejora.
- Args:
- metrics: Diccionario con las métricas analizadas
- text_type: Tipo de texto seleccionado
- title: Título para las métricas ("Base" o "Iteración")
- show_suggestions: Booleano para mostrar sugerencias
- """
- try:
- thresholds = TEXT_TYPES[text_type]['thresholds']
-
- st.markdown(f"### Métricas {title}")
-
- for dimension, values in metrics.items():
- score = values['normalized_score']
- target = thresholds[dimension]['target']
- min_val = thresholds[dimension]['min']
-
- # Determinar estado y color
- if score < min_val:
- status = "⚠️ Por mejorar"
- color = "inverse"
- elif score < target:
- status = "📈 Aceptable"
- color = "off"
- else:
- status = "✅ Óptimo"
- color = "normal"
-
- # Mostrar métrica
- st.metric(
- dimension.title(),
- f"{score:.2f}",
- f"{status} (Meta: {target:.2f})",
- delta_color=color,
- help=f"Meta: {target:.2f}, Mínimo: {min_val:.2f}"
- )
-
- # Mostrar sugerencias si es necesario
- if show_suggestions and score < target:
- suggest_improvement_tools(dimension)
-
- # Agregar espacio entre métricas
- st.markdown("", unsafe_allow_html=True)
-
- except Exception as e:
- logger.error(f"Error mostrando métricas: {str(e)}")
- st.error("Error al mostrar métricas")
-
-def display_radar_chart(metrics_config, thresholds, baseline_metrics=None):
- """
- Muestra el gráfico radar con los resultados.
- Args:
- metrics_config: Configuración actual de métricas
- thresholds: Umbrales para las métricas
- baseline_metrics: Métricas de línea base (opcional)
- """
- try:
- # Preparar datos para el gráfico
- categories = [m['label'] for m in metrics_config]
- values_current = [m['value'] for m in metrics_config]
- min_values = [m['thresholds']['min'] for m in metrics_config]
- target_values = [m['thresholds']['target'] for m in metrics_config]
-
- # Crear y configurar gráfico
- fig = plt.figure(figsize=(8, 8))
- ax = fig.add_subplot(111, projection='polar')
-
- # Configurar radar
- angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
- angles += angles[:1]
- values_current += values_current[:1]
- min_values += min_values[:1]
- target_values += target_values[:1]
-
- # Configurar ejes
- ax.set_xticks(angles[:-1])
- ax.set_xticklabels(categories, fontsize=10)
- circle_ticks = np.arange(0, 1.1, 0.2)
- ax.set_yticks(circle_ticks)
- ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
- ax.set_ylim(0, 1)
-
- # Dibujar áreas de umbrales
- ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1,
- label='Mínimo', alpha=0.5)
- ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1,
- label='Meta', alpha=0.5)
- ax.fill_between(angles, target_values, [1]*len(angles),
- color='#2ecc71', alpha=0.1)
- ax.fill_between(angles, [0]*len(angles), min_values,
- color='#e74c3c', alpha=0.1)
-
- # Si hay línea base, dibujarla primero
- if baseline_metrics is not None:
- values_baseline = [baseline_metrics[m['key']]['normalized_score']
- for m in metrics_config]
- values_baseline += values_baseline[:1]
- ax.plot(angles, values_baseline, '#888888', linewidth=2,
- label='Línea base', linestyle='--')
- ax.fill(angles, values_baseline, '#888888', alpha=0.1)
-
- # Dibujar valores actuales
- label = 'Actual' if baseline_metrics else 'Tu escritura'
- color = '#3498db' if baseline_metrics else '#3498db'
-
- ax.plot(angles, values_current, color, linewidth=2, label=label)
- ax.fill(angles, values_current, color, alpha=0.2)
-
- # Ajustar leyenda
- legend_handles = []
- if baseline_metrics:
- legend_handles.extend([
- plt.Line2D([], [], color='#888888', linestyle='--',
- label='Línea base'),
- plt.Line2D([], [], color='#3498db', label='Actual')
- ])
- else:
- legend_handles.extend([
- plt.Line2D([], [], color='#3498db', label='Tu escritura')
- ])
-
- legend_handles.extend([
- plt.Line2D([], [], color='#e74c3c', linestyle='--', label='Mínimo'),
- plt.Line2D([], [], color='#2ecc71', linestyle='--', label='Meta')
- ])
-
- ax.legend(
- handles=legend_handles,
- loc='upper right',
- bbox_to_anchor=(1.3, 1.1),
- fontsize=10,
- frameon=True,
- facecolor='white',
- edgecolor='none',
- shadow=True
- )
-
- plt.tight_layout()
- st.pyplot(fig)
- plt.close()
-
- except Exception as e:
- logger.error(f"Error mostrando gráfico radar: {str(e)}")
- st.error("Error al mostrar el gráfico")
-
-#Funciones auxiliares ##################################
-
-
-############################################################
-# Unificamos la lógica de sugerencias en una función
-############################################################
-def suggest_improvement_tools_list(dimension):
- """
- Retorna en forma de lista las herramientas sugeridas
- basadas en 'ANALYSIS_DIMENSION_MAPPING'.
- """
- suggestions = []
- for analysis, mapping in ANALYSIS_DIMENSION_MAPPING.items():
- # Verificamos si la dimensión está en primary o secondary
- if dimension in mapping['primary'] or dimension in mapping['secondary']:
- suggestions.extend(mapping['tools'])
- # Si no hay nada, al menos retornamos un placeholder
- return suggestions if suggestions else ["Sin sugerencias específicas."]
-
-
-def prepare_metrics_config(metrics, text_type='student_essay'):
- """
- Prepara la configuración de métricas en el mismo formato que display_results.
- Args:
- metrics: Diccionario con las métricas analizadas
- text_type: Tipo de texto para los umbrales
- Returns:
- list: Lista de configuraciones de métricas
- """
- # Obtener umbrales según el tipo de texto
- thresholds = TEXT_TYPES[text_type]['thresholds']
-
- # Usar la misma estructura que en display_results
- return [
- {
- 'label': "Vocabulario",
- 'key': 'vocabulary',
- 'value': metrics['vocabulary']['normalized_score'],
- 'help': "Riqueza y variedad del vocabulario",
- 'thresholds': thresholds['vocabulary']
- },
- {
- 'label': "Estructura",
- 'key': 'structure',
- 'value': metrics['structure']['normalized_score'],
- 'help': "Organización y complejidad de oraciones",
- 'thresholds': thresholds['structure']
- },
- {
- 'label': "Cohesión",
- 'key': 'cohesion',
- 'value': metrics['cohesion']['normalized_score'],
- 'help': "Conexión y fluidez entre ideas",
- 'thresholds': thresholds['cohesion']
- },
- {
- 'label': "Claridad",
- 'key': 'clarity',
- 'value': metrics['clarity']['normalized_score'],
- 'help': "Facilidad de comprensión del texto",
- 'thresholds': thresholds['clarity']
- }
- ]
-
+# modules/studentact/current_situation_interface.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+import matplotlib.pyplot as plt
+import numpy as np
+
+from ..database.current_situation_mongo_db import store_current_situation_result
+
+from ..database.writing_progress_mongo_db import (
+ store_writing_baseline,
+ store_writing_progress,
+ get_writing_baseline,
+ get_writing_progress,
+ get_latest_writing_metrics
+)
+
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ analyze_clarity,
+ analyze_vocabulary_diversity,
+ analyze_cohesion,
+ analyze_structure,
+ get_dependency_depths,
+ normalize_score,
+ generate_sentence_graphs,
+ generate_word_connections,
+ generate_connection_paths,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap
+)
+
+# Configuración del estilo de matplotlib para el gráfico de radar
+plt.rcParams['font.family'] = 'sans-serif'
+plt.rcParams['axes.grid'] = True
+plt.rcParams['axes.spines.top'] = False
+plt.rcParams['axes.spines.right'] = False
+
+logger = logging.getLogger(__name__)
+####################################
+
+TEXT_TYPES = {
+ 'academic_article': {
+ 'name': 'Artículo Académico',
+ 'thresholds': {
+ 'vocabulary': {'min': 0.70, 'target': 0.85},
+ 'structure': {'min': 0.75, 'target': 0.90},
+ 'cohesion': {'min': 0.65, 'target': 0.80},
+ 'clarity': {'min': 0.70, 'target': 0.85}
+ }
+ },
+ 'student_essay': {
+ 'name': 'Trabajo Universitario',
+ 'thresholds': {
+ 'vocabulary': {'min': 0.60, 'target': 0.75},
+ 'structure': {'min': 0.65, 'target': 0.80},
+ 'cohesion': {'min': 0.55, 'target': 0.70},
+ 'clarity': {'min': 0.60, 'target': 0.75}
+ }
+ },
+ 'general_communication': {
+ 'name': 'Comunicación General',
+ 'thresholds': {
+ 'vocabulary': {'min': 0.50, 'target': 0.65},
+ 'structure': {'min': 0.55, 'target': 0.70},
+ 'cohesion': {'min': 0.45, 'target': 0.60},
+ 'clarity': {'min': 0.50, 'target': 0.65}
+ }
+ }
+}
+####################################
+
+ANALYSIS_DIMENSION_MAPPING = {
+ 'morphosyntactic': {
+ 'primary': ['vocabulary', 'clarity'],
+ 'secondary': ['structure'],
+ 'tools': ['arc_diagrams', 'word_repetition']
+ },
+ 'semantic': {
+ 'primary': ['cohesion', 'structure'],
+ 'secondary': ['vocabulary'],
+ 'tools': ['concept_graphs', 'semantic_networks']
+ },
+ 'discourse': {
+ 'primary': ['cohesion', 'structure'],
+ 'secondary': ['clarity'],
+ 'tools': ['comparative_analysis']
+ }
+}
+
+##############################################################################
+# FUNCIÓN PRINCIPAL
+##############################################################################
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ TAB:
+ - Expander con radio para tipo de texto
+ Contenedor-1 con expanders:
+ - Expander "Métricas de la línea base"
+ - Expander "Métricas de la iteración"
+ Contenedor-2 (2 columnas):
+ - Col1: Texto base
+ - Col2: Texto iteración
+ Al final, Recomendaciones en un expander (una sola “fila”).
+ """
+
+ # --- Inicializar session_state ---
+ if 'base_text' not in st.session_state:
+ st.session_state.base_text = ""
+ if 'iter_text' not in st.session_state:
+ st.session_state.iter_text = ""
+ if 'base_metrics' not in st.session_state:
+ st.session_state.base_metrics = {}
+ if 'iter_metrics' not in st.session_state:
+ st.session_state.iter_metrics = {}
+ if 'show_base' not in st.session_state:
+ st.session_state.show_base = False
+ if 'show_iter' not in st.session_state:
+ st.session_state.show_iter = False
+
+ # Creamos un tab
+ tabs = st.tabs(["Análisis de Texto"])
+ with tabs[0]:
+ # [1] Expander con radio para seleccionar tipo de texto
+ with st.expander("Selecciona el tipo de texto", expanded=True):
+ text_type = st.radio(
+ "¿Qué tipo de texto quieres analizar?",
+ options=list(TEXT_TYPES.keys()),
+ format_func=lambda x: TEXT_TYPES[x]['name'],
+ index=0
+ )
+ st.session_state.current_text_type = text_type
+
+ st.markdown("---")
+
+ # ---------------------------------------------------------------------
+ # CONTENEDOR-1: Expanders para métricas base e iteración
+ # ---------------------------------------------------------------------
+ with st.container():
+ # --- Expander para la línea base ---
+ with st.expander("Métricas de la línea base", expanded=False):
+ if st.session_state.show_base and st.session_state.base_metrics:
+ # Mostramos los valores reales
+ display_metrics_in_one_row(st.session_state.base_metrics, text_type)
+ else:
+ # Mostramos la maqueta vacía
+ display_empty_metrics_row()
+
+ # --- Expander para la iteración ---
+ with st.expander("Métricas de la iteración", expanded=False):
+ if st.session_state.show_iter and st.session_state.iter_metrics:
+ display_metrics_in_one_row(st.session_state.iter_metrics, text_type)
+ else:
+ display_empty_metrics_row()
+
+ st.markdown("---")
+
+ # ---------------------------------------------------------------------
+ # CONTENEDOR-2: 2 columnas (texto base | texto iteración)
+ # ---------------------------------------------------------------------
+ with st.container():
+ col_left, col_right = st.columns(2)
+
+ # Columna izquierda: Texto base
+ with col_left:
+ st.markdown("**Texto base**")
+ text_base = st.text_area(
+ label="",
+ value=st.session_state.base_text,
+ key="text_base_area",
+ placeholder="Pega aquí tu texto base",
+ )
+ if st.button("Analizar Base"):
+ with st.spinner("Analizando texto base..."):
+ doc = nlp_models[lang_code](text_base)
+ metrics = analyze_text_dimensions(doc)
+
+ st.session_state.base_text = text_base
+ st.session_state.base_metrics = metrics
+ st.session_state.show_base = True
+ # Al analizar base, reiniciamos la iteración
+ st.session_state.show_iter = False
+
+ # Columna derecha: Texto iteración
+ with col_right:
+ st.markdown("**Texto de iteración**")
+ text_iter = st.text_area(
+ label="",
+ value=st.session_state.iter_text,
+ key="text_iter_area",
+ placeholder="Edita y mejora tu texto...",
+ disabled=not st.session_state.show_base
+ )
+ if st.button("Analizar Iteración", disabled=not st.session_state.show_base):
+ with st.spinner("Analizando iteración..."):
+ doc = nlp_models[lang_code](text_iter)
+ metrics = analyze_text_dimensions(doc)
+
+ st.session_state.iter_text = text_iter
+ st.session_state.iter_metrics = metrics
+ st.session_state.show_iter = True
+
+ # ---------------------------------------------------------------------
+ # Recomendaciones al final en un expander (una sola “fila”)
+ # ---------------------------------------------------------------------
+ if st.session_state.show_iter:
+ with st.expander("Recomendaciones", expanded=False):
+ reco_list = []
+ for dimension, values in st.session_state.iter_metrics.items():
+ score = values['normalized_score']
+ target = TEXT_TYPES[text_type]['thresholds'][dimension]['target']
+ if score < target:
+ # Aquí, en lugar de get_dimension_suggestions, unificamos con:
+ suggestions = suggest_improvement_tools_list(dimension)
+ reco_list.extend(suggestions)
+
+ if reco_list:
+ # Todas en una sola línea
+ st.write(" | ".join(reco_list))
+ else:
+ st.info("¡No hay recomendaciones! Todas las métricas superan la meta.")
+
+
+
+
+
+
+
+#Funciones de visualización ##################################
+############################################################
+# Funciones de visualización para las métricas
+############################################################
+
+def display_metrics_in_one_row(metrics, text_type):
+ """
+ Muestra las cuatro dimensiones (Vocabulario, Estructura, Cohesión, Claridad)
+ en una sola línea, usando 4 columnas con ancho uniforme.
+ """
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+ dimensions = ["vocabulary", "structure", "cohesion", "clarity"]
+
+ col1, col2, col3, col4 = st.columns([1,1,1,1])
+ cols = [col1, col2, col3, col4]
+
+ for dim, col in zip(dimensions, cols):
+ score = metrics[dim]['normalized_score']
+ target = thresholds[dim]['target']
+ min_val = thresholds[dim]['min']
+
+ if score < min_val:
+ status = "⚠️ Por mejorar"
+ color = "inverse"
+ elif score < target:
+ status = "📈 Aceptable"
+ color = "off"
+ else:
+ status = "✅ Óptimo"
+ color = "normal"
+
+ with col:
+ col.metric(
+ label=dim.capitalize(),
+ value=f"{score:.2f}",
+ delta=f"{status} (Meta: {target:.2f})",
+ delta_color=color,
+ border=True
+ )
+
+
+# -------------------------------------------------------------------------
+# Función que muestra una fila de 4 columnas “vacías”
+# -------------------------------------------------------------------------
+def display_empty_metrics_row():
+ """
+ Muestra una fila de 4 columnas vacías (Vocabulario, Estructura, Cohesión, Claridad).
+ Cada columna se dibuja con st.metric en blanco (“-”).
+ """
+ empty_cols = st.columns([1,1,1,1])
+ labels = ["Vocabulario", "Estructura", "Cohesión", "Claridad"]
+
+ for col, lbl in zip(empty_cols, labels):
+ with col:
+ col.metric(
+ label=lbl,
+ value="-",
+ delta="",
+ border=True
+ )
+
+
+
+####################################################################
+
+def display_metrics_analysis(metrics, text_type=None):
+ """
+ Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
+ """
+ try:
+ # Usar valor por defecto si no se especifica tipo
+ text_type = text_type or 'student_essay'
+
+ # Obtener umbrales según el tipo de texto
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+
+ # Crear dos columnas para las métricas y el gráfico
+ metrics_col, graph_col = st.columns([1, 1.5])
+
+ # Columna de métricas
+ with metrics_col:
+ metrics_config = [
+ {
+ 'label': "Vocabulario",
+ 'key': 'vocabulary',
+ 'value': metrics['vocabulary']['normalized_score'],
+ 'help': "Riqueza y variedad del vocabulario",
+ 'thresholds': thresholds['vocabulary']
+ },
+ {
+ 'label': "Estructura",
+ 'key': 'structure',
+ 'value': metrics['structure']['normalized_score'],
+ 'help': "Organización y complejidad de oraciones",
+ 'thresholds': thresholds['structure']
+ },
+ {
+ 'label': "Cohesión",
+ 'key': 'cohesion',
+ 'value': metrics['cohesion']['normalized_score'],
+ 'help': "Conexión y fluidez entre ideas",
+ 'thresholds': thresholds['cohesion']
+ },
+ {
+ 'label': "Claridad",
+ 'key': 'clarity',
+ 'value': metrics['clarity']['normalized_score'],
+ 'help': "Facilidad de comprensión del texto",
+ 'thresholds': thresholds['clarity']
+ }
+ ]
+
+ # Mostrar métricas
+ for metric in metrics_config:
+ value = metric['value']
+ if value < metric['thresholds']['min']:
+ status = "⚠️ Por mejorar"
+ color = "inverse"
+ elif value < metric['thresholds']['target']:
+ status = "📈 Aceptable"
+ color = "off"
+ else:
+ status = "✅ Óptimo"
+ color = "normal"
+
+ st.metric(
+ metric['label'],
+ f"{value:.2f}",
+ f"{status} (Meta: {metric['thresholds']['target']:.2f})",
+ delta_color=color,
+ help=metric['help']
+ )
+ st.markdown("", unsafe_allow_html=True)
+
+ except Exception as e:
+ logger.error(f"Error mostrando resultados: {str(e)}")
+ st.error("Error al mostrar los resultados")
+
+def display_comparison_results(baseline_metrics, current_metrics):
+ """Muestra comparación entre línea base y métricas actuales"""
+
+ # Crear columnas para métricas y gráfico
+ metrics_col, graph_col = st.columns([1, 1.5])
+
+ with metrics_col:
+ for dimension in ['vocabulary', 'structure', 'cohesion', 'clarity']:
+ baseline = baseline_metrics[dimension]['normalized_score']
+ current = current_metrics[dimension]['normalized_score']
+ delta = current - baseline
+
+ st.metric(
+ dimension.title(),
+ f"{current:.2f}",
+ f"{delta:+.2f}",
+ delta_color="normal" if delta >= 0 else "inverse"
+ )
+
+ # Sugerir herramientas de mejora
+ if delta < 0:
+ suggest_improvement_tools(dimension)
+
+ with graph_col:
+ display_radar_chart_comparison(
+ baseline_metrics,
+ current_metrics
+ )
+
+def display_metrics_and_suggestions(metrics, text_type, title, show_suggestions=False):
+ """
+ Muestra métricas y opcionalmente sugerencias de mejora.
+ Args:
+ metrics: Diccionario con las métricas analizadas
+ text_type: Tipo de texto seleccionado
+ title: Título para las métricas ("Base" o "Iteración")
+ show_suggestions: Booleano para mostrar sugerencias
+ """
+ try:
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+
+ st.markdown(f"### Métricas {title}")
+
+ for dimension, values in metrics.items():
+ score = values['normalized_score']
+ target = thresholds[dimension]['target']
+ min_val = thresholds[dimension]['min']
+
+ # Determinar estado y color
+ if score < min_val:
+ status = "⚠️ Por mejorar"
+ color = "inverse"
+ elif score < target:
+ status = "📈 Aceptable"
+ color = "off"
+ else:
+ status = "✅ Óptimo"
+ color = "normal"
+
+ # Mostrar métrica
+ st.metric(
+ dimension.title(),
+ f"{score:.2f}",
+ f"{status} (Meta: {target:.2f})",
+ delta_color=color,
+ help=f"Meta: {target:.2f}, Mínimo: {min_val:.2f}"
+ )
+
+ # Mostrar sugerencias si es necesario
+ if show_suggestions and score < target:
+ suggest_improvement_tools(dimension)
+
+ # Agregar espacio entre métricas
+ st.markdown("", unsafe_allow_html=True)
+
+ except Exception as e:
+ logger.error(f"Error mostrando métricas: {str(e)}")
+ st.error("Error al mostrar métricas")
+
+def display_radar_chart(metrics_config, thresholds, baseline_metrics=None):
+ """
+ Muestra el gráfico radar con los resultados.
+ Args:
+ metrics_config: Configuración actual de métricas
+ thresholds: Umbrales para las métricas
+ baseline_metrics: Métricas de línea base (opcional)
+ """
+ try:
+ # Preparar datos para el gráfico
+ categories = [m['label'] for m in metrics_config]
+ values_current = [m['value'] for m in metrics_config]
+ min_values = [m['thresholds']['min'] for m in metrics_config]
+ target_values = [m['thresholds']['target'] for m in metrics_config]
+
+ # Crear y configurar gráfico
+ fig = plt.figure(figsize=(8, 8))
+ ax = fig.add_subplot(111, projection='polar')
+
+ # Configurar radar
+ angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
+ angles += angles[:1]
+ values_current += values_current[:1]
+ min_values += min_values[:1]
+ target_values += target_values[:1]
+
+ # Configurar ejes
+ ax.set_xticks(angles[:-1])
+ ax.set_xticklabels(categories, fontsize=10)
+ circle_ticks = np.arange(0, 1.1, 0.2)
+ ax.set_yticks(circle_ticks)
+ ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
+ ax.set_ylim(0, 1)
+
+ # Dibujar áreas de umbrales
+ ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1,
+ label='Mínimo', alpha=0.5)
+ ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1,
+ label='Meta', alpha=0.5)
+ ax.fill_between(angles, target_values, [1]*len(angles),
+ color='#2ecc71', alpha=0.1)
+ ax.fill_between(angles, [0]*len(angles), min_values,
+ color='#e74c3c', alpha=0.1)
+
+ # Si hay línea base, dibujarla primero
+ if baseline_metrics is not None:
+ values_baseline = [baseline_metrics[m['key']]['normalized_score']
+ for m in metrics_config]
+ values_baseline += values_baseline[:1]
+ ax.plot(angles, values_baseline, '#888888', linewidth=2,
+ label='Línea base', linestyle='--')
+ ax.fill(angles, values_baseline, '#888888', alpha=0.1)
+
+ # Dibujar valores actuales
+ label = 'Actual' if baseline_metrics else 'Tu escritura'
+ color = '#3498db' if baseline_metrics else '#3498db'
+
+ ax.plot(angles, values_current, color, linewidth=2, label=label)
+ ax.fill(angles, values_current, color, alpha=0.2)
+
+ # Ajustar leyenda
+ legend_handles = []
+ if baseline_metrics:
+ legend_handles.extend([
+ plt.Line2D([], [], color='#888888', linestyle='--',
+ label='Línea base'),
+ plt.Line2D([], [], color='#3498db', label='Actual')
+ ])
+ else:
+ legend_handles.extend([
+ plt.Line2D([], [], color='#3498db', label='Tu escritura')
+ ])
+
+ legend_handles.extend([
+ plt.Line2D([], [], color='#e74c3c', linestyle='--', label='Mínimo'),
+ plt.Line2D([], [], color='#2ecc71', linestyle='--', label='Meta')
+ ])
+
+ ax.legend(
+ handles=legend_handles,
+ loc='upper right',
+ bbox_to_anchor=(1.3, 1.1),
+ fontsize=10,
+ frameon=True,
+ facecolor='white',
+ edgecolor='none',
+ shadow=True
+ )
+
+ plt.tight_layout()
+ st.pyplot(fig)
+ plt.close()
+
+ except Exception as e:
+ logger.error(f"Error mostrando gráfico radar: {str(e)}")
+ st.error("Error al mostrar el gráfico")
+
+#Funciones auxiliares ##################################
+
+
+############################################################
+# Unificamos la lógica de sugerencias en una función
+############################################################
+def suggest_improvement_tools_list(dimension):
+ """
+ Retorna en forma de lista las herramientas sugeridas
+ basadas en 'ANALYSIS_DIMENSION_MAPPING'.
+ """
+ suggestions = []
+ for analysis, mapping in ANALYSIS_DIMENSION_MAPPING.items():
+ # Verificamos si la dimensión está en primary o secondary
+ if dimension in mapping['primary'] or dimension in mapping['secondary']:
+ suggestions.extend(mapping['tools'])
+ # Si no hay nada, al menos retornamos un placeholder
+ return suggestions if suggestions else ["Sin sugerencias específicas."]
+
+
+def prepare_metrics_config(metrics, text_type='student_essay'):
+ """
+ Prepara la configuración de métricas en el mismo formato que display_results.
+ Args:
+ metrics: Diccionario con las métricas analizadas
+ text_type: Tipo de texto para los umbrales
+ Returns:
+ list: Lista de configuraciones de métricas
+ """
+ # Obtener umbrales según el tipo de texto
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+
+ # Usar la misma estructura que en display_results
+ return [
+ {
+ 'label': "Vocabulario",
+ 'key': 'vocabulary',
+ 'value': metrics['vocabulary']['normalized_score'],
+ 'help': "Riqueza y variedad del vocabulario",
+ 'thresholds': thresholds['vocabulary']
+ },
+ {
+ 'label': "Estructura",
+ 'key': 'structure',
+ 'value': metrics['structure']['normalized_score'],
+ 'help': "Organización y complejidad de oraciones",
+ 'thresholds': thresholds['structure']
+ },
+ {
+ 'label': "Cohesión",
+ 'key': 'cohesion',
+ 'value': metrics['cohesion']['normalized_score'],
+ 'help': "Conexión y fluidez entre ideas",
+ 'thresholds': thresholds['cohesion']
+ },
+ {
+ 'label': "Claridad",
+ 'key': 'clarity',
+ 'value': metrics['clarity']['normalized_score'],
+ 'help': "Facilidad de comprensión del texto",
+ 'thresholds': thresholds['clarity']
+ }
+ ]
+
diff --git a/modules/studentact/current_situation_interface-v1.py b/modules/studentact/current_situation_interface-v1.py
index 9b6672e62369d9375cb85df8f4636f7cc423a38f..6119f6bf146976da43fe9311b5fc54551173341a 100644
--- a/modules/studentact/current_situation_interface-v1.py
+++ b/modules/studentact/current_situation_interface-v1.py
@@ -1,272 +1,272 @@
-# modules/studentact/current_situation_interface.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-from .current_situation_analysis import (
- analyze_text_dimensions,
- analyze_clarity,
- analyze_reference_clarity,
- analyze_vocabulary_diversity,
- analyze_cohesion,
- analyze_structure,
- get_dependency_depths,
- normalize_score,
- generate_sentence_graphs,
- generate_word_connections,
- generate_connection_paths,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap,
-)
-
-logger = logging.getLogger(__name__)
-####################################
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- Interfaz simplificada para el análisis inicial, enfocada en recomendaciones directas.
- """
- # Inicializar estados si no existen
- if 'text_input' not in st.session_state:
- st.session_state.text_input = ""
- if 'show_results' not in st.session_state:
- st.session_state.show_results = False
- if 'current_doc' not in st.session_state:
- st.session_state.current_doc = None
- if 'current_metrics' not in st.session_state:
- st.session_state.current_metrics = None
-
- st.markdown("## Análisis Inicial de Escritura")
-
- # Container principal con dos columnas
- with st.container():
- input_col, results_col = st.columns([1,2])
-
- with input_col:
- st.markdown("### Ingresa tu texto")
-
- # Función para manejar cambios en el texto
- def on_text_change():
- st.session_state.text_input = st.session_state.text_area
- st.session_state.show_results = False # Resetear resultados cuando el texto cambia
-
- # Text area con manejo de estado
- text_input = st.text_area(
- t.get('input_prompt', "Escribe o pega tu texto aquí:"),
- height=400,
- key="text_area",
- value=st.session_state.text_input,
- on_change=on_text_change,
- help="Este texto será analizado para darte recomendaciones personalizadas"
- )
-
- # Botón de análisis
- if st.button(
- t.get('analyze_button', "Analizar mi escritura"),
- type="primary",
- disabled=not text_input.strip(),
- use_container_width=True,
- ):
- try:
- with st.spinner(t.get('processing', "Analizando...")):
- # Procesar texto y obtener métricas
- doc = nlp_models[lang_code](text_input)
- metrics = analyze_text_dimensions(doc)
-
- # Actualizar estado con nuevos resultados
- st.session_state.current_doc = doc
- st.session_state.current_metrics = metrics
- st.session_state.show_results = True
-
- # Mantener el texto en el estado
- st.session_state.text_input = text_input
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(t.get('analysis_error', "Error al analizar el texto"))
-
- # Mostrar resultados en la columna derecha
- with results_col:
- if st.session_state.show_results and st.session_state.current_metrics is not None:
- display_recommendations(st.session_state.current_metrics, t)
-
- # Opción para ver detalles
- with st.expander("🔍 Ver análisis detallado", expanded=False):
- display_current_situation_visual(
- st.session_state.current_doc,
- st.session_state.current_metrics
- )
-
-def display_current_situation_visual(doc, metrics):
- """
- Muestra visualizaciones detalladas del análisis.
- """
- try:
- st.markdown("### 📊 Visualizaciones Detalladas")
-
- # 1. Visualización de vocabulario
- with st.expander("Análisis de Vocabulario", expanded=True):
- vocab_graph = create_vocabulary_network(doc)
- if vocab_graph:
- st.pyplot(vocab_graph)
- plt.close(vocab_graph)
-
- # 2. Visualización de estructura
- with st.expander("Análisis de Estructura", expanded=True):
- syntax_graph = create_syntax_complexity_graph(doc)
- if syntax_graph:
- st.pyplot(syntax_graph)
- plt.close(syntax_graph)
-
- # 3. Visualización de cohesión
- with st.expander("Análisis de Cohesión", expanded=True):
- cohesion_graph = create_cohesion_heatmap(doc)
- if cohesion_graph:
- st.pyplot(cohesion_graph)
- plt.close(cohesion_graph)
-
- except Exception as e:
- logger.error(f"Error en visualización: {str(e)}")
- st.error("Error al generar las visualizaciones")
-
-
-####################################
-def display_recommendations(metrics, t):
- """
- Muestra recomendaciones basadas en las métricas del texto.
- """
- # 1. Resumen Visual con Explicación
- st.markdown("### 📊 Resumen de tu Análisis")
-
- # Explicación del sistema de medición
- st.markdown("""
- **¿Cómo interpretar los resultados?**
-
- Cada métrica se mide en una escala de 0.0 a 1.0, donde:
- - 0.0 - 0.4: Necesita atención prioritaria
- - 0.4 - 0.6: En desarrollo
- - 0.6 - 0.8: Buen nivel
- - 0.8 - 1.0: Nivel avanzado
- """)
-
- # Métricas con explicaciones detalladas
- col1, col2, col3, col4 = st.columns(4)
-
- with col1:
- st.metric(
- "Vocabulario",
- f"{metrics['vocabulary']['normalized_score']:.2f}",
- help="Mide la variedad y riqueza de tu vocabulario. Un valor alto indica un uso diverso de palabras sin repeticiones excesivas."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Vocabulario**
- - Evalúa la diversidad léxica
- - Considera palabras únicas vs. totales
- - Detecta repeticiones innecesarias
- - Valor óptimo: > 0.7
- """)
-
- with col2:
- st.metric(
- "Estructura",
- f"{metrics['structure']['normalized_score']:.2f}",
- help="Evalúa la complejidad y variedad de las estructuras sintácticas en tus oraciones."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Estructura**
- - Analiza la complejidad sintáctica
- - Mide variación en construcciones
- - Evalúa longitud de oraciones
- - Valor óptimo: > 0.6
- """)
-
- with col3:
- st.metric(
- "Cohesión",
- f"{metrics['cohesion']['normalized_score']:.2f}",
- help="Indica qué tan bien conectadas están tus ideas y párrafos entre sí."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Cohesión**
- - Mide conexiones entre ideas
- - Evalúa uso de conectores
- - Analiza progresión temática
- - Valor óptimo: > 0.65
- """)
-
- with col4:
- st.metric(
- "Claridad",
- f"{metrics['clarity']['normalized_score']:.2f}",
- help="Evalúa la facilidad de comprensión general de tu texto."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Claridad**
- - Evalúa comprensibilidad
- - Considera estructura lógica
- - Mide precisión expresiva
- - Valor óptimo: > 0.7
- """)
-
- st.markdown("---")
-
- # 2. Recomendaciones basadas en puntuaciones
- st.markdown("### 💡 Recomendaciones Personalizadas")
-
- # Recomendaciones morfosintácticas
- if metrics['structure']['normalized_score'] < 0.6:
- st.warning("""
- #### 📝 Análisis Morfosintáctico Recomendado
-
- **Tu nivel actual sugiere que sería beneficioso:**
- 1. Realizar el análisis morfosintáctico de 3 párrafos diferentes
- 2. Practicar la combinación de oraciones simples en compuestas
- 3. Identificar y clasificar tipos de oraciones en textos académicos
- 4. Ejercitar la variación sintáctica
-
- *Hacer clic en "Comenzar ejercicios" para acceder al módulo morfosintáctico*
- """)
-
- # Recomendaciones semánticas
- if metrics['vocabulary']['normalized_score'] < 0.7:
- st.warning("""
- #### 📚 Análisis Semántico Recomendado
-
- **Para mejorar tu vocabulario y expresión:**
- A. Realiza el análisis semántico de un texto académico
- B. Identifica y agrupa campos semánticos relacionados
- C. Practica la sustitución léxica en tus párrafos
- D. Construye redes de conceptos sobre tu tema
- E. Analiza las relaciones entre ideas principales
-
- *Hacer clic en "Comenzar ejercicios" para acceder al módulo semántico*
- """)
-
- # Recomendaciones de cohesión
- if metrics['cohesion']['normalized_score'] < 0.65:
- st.warning("""
- #### 🔄 Análisis del Discurso Recomendado
-
- **Para mejorar la conexión entre ideas:**
- 1. Realizar el análisis del discurso de un texto modelo
- 2. Practicar el uso de diferentes conectores textuales
- 3. Identificar cadenas de referencia en textos académicos
- 4. Ejercitar la progresión temática en tus escritos
-
- *Hacer clic en "Comenzar ejercicios" para acceder al módulo de análisis del discurso*
- """)
-
- # Botón de acción
- st.markdown("---")
- col1, col2, col3 = st.columns([1,2,1])
- with col2:
- st.button(
- "🎯 Comenzar ejercicios recomendados",
- type="primary",
- use_container_width=True,
- key="start_exercises"
+# modules/studentact/current_situation_interface.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ analyze_clarity,
+ analyze_reference_clarity,
+ analyze_vocabulary_diversity,
+ analyze_cohesion,
+ analyze_structure,
+ get_dependency_depths,
+ normalize_score,
+ generate_sentence_graphs,
+ generate_word_connections,
+ generate_connection_paths,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap,
+)
+
+logger = logging.getLogger(__name__)
+####################################
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ Interfaz simplificada para el análisis inicial, enfocada en recomendaciones directas.
+ """
+ # Inicializar estados si no existen
+ if 'text_input' not in st.session_state:
+ st.session_state.text_input = ""
+ if 'show_results' not in st.session_state:
+ st.session_state.show_results = False
+ if 'current_doc' not in st.session_state:
+ st.session_state.current_doc = None
+ if 'current_metrics' not in st.session_state:
+ st.session_state.current_metrics = None
+
+ st.markdown("## Análisis Inicial de Escritura")
+
+ # Container principal con dos columnas
+ with st.container():
+ input_col, results_col = st.columns([1,2])
+
+ with input_col:
+ st.markdown("### Ingresa tu texto")
+
+ # Función para manejar cambios en el texto
+ def on_text_change():
+ st.session_state.text_input = st.session_state.text_area
+ st.session_state.show_results = False # Resetear resultados cuando el texto cambia
+
+ # Text area con manejo de estado
+ text_input = st.text_area(
+ t.get('input_prompt', "Escribe o pega tu texto aquí:"),
+ height=400,
+ key="text_area",
+ value=st.session_state.text_input,
+ on_change=on_text_change,
+ help="Este texto será analizado para darte recomendaciones personalizadas"
+ )
+
+ # Botón de análisis
+ if st.button(
+ t.get('analyze_button', "Analizar mi escritura"),
+ type="primary",
+ disabled=not text_input.strip(),
+ use_container_width=True,
+ ):
+ try:
+ with st.spinner(t.get('processing', "Analizando...")):
+ # Procesar texto y obtener métricas
+ doc = nlp_models[lang_code](text_input)
+ metrics = analyze_text_dimensions(doc)
+
+ # Actualizar estado con nuevos resultados
+ st.session_state.current_doc = doc
+ st.session_state.current_metrics = metrics
+ st.session_state.show_results = True
+
+ # Mantener el texto en el estado
+ st.session_state.text_input = text_input
+
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error(t.get('analysis_error', "Error al analizar el texto"))
+
+ # Mostrar resultados en la columna derecha
+ with results_col:
+ if st.session_state.show_results and st.session_state.current_metrics is not None:
+ display_recommendations(st.session_state.current_metrics, t)
+
+ # Opción para ver detalles
+ with st.expander("🔍 Ver análisis detallado", expanded=False):
+ display_current_situation_visual(
+ st.session_state.current_doc,
+ st.session_state.current_metrics
+ )
+
+def display_current_situation_visual(doc, metrics):
+ """
+ Muestra visualizaciones detalladas del análisis.
+ """
+ try:
+ st.markdown("### 📊 Visualizaciones Detalladas")
+
+ # 1. Visualización de vocabulario
+ with st.expander("Análisis de Vocabulario", expanded=True):
+ vocab_graph = create_vocabulary_network(doc)
+ if vocab_graph:
+ st.pyplot(vocab_graph)
+ plt.close(vocab_graph)
+
+ # 2. Visualización de estructura
+ with st.expander("Análisis de Estructura", expanded=True):
+ syntax_graph = create_syntax_complexity_graph(doc)
+ if syntax_graph:
+ st.pyplot(syntax_graph)
+ plt.close(syntax_graph)
+
+ # 3. Visualización de cohesión
+ with st.expander("Análisis de Cohesión", expanded=True):
+ cohesion_graph = create_cohesion_heatmap(doc)
+ if cohesion_graph:
+ st.pyplot(cohesion_graph)
+ plt.close(cohesion_graph)
+
+ except Exception as e:
+ logger.error(f"Error en visualización: {str(e)}")
+ st.error("Error al generar las visualizaciones")
+
+
+####################################
+def display_recommendations(metrics, t):
+ """
+ Muestra recomendaciones basadas en las métricas del texto.
+ """
+ # 1. Resumen Visual con Explicación
+ st.markdown("### 📊 Resumen de tu Análisis")
+
+ # Explicación del sistema de medición
+ st.markdown("""
+ **¿Cómo interpretar los resultados?**
+
+ Cada métrica se mide en una escala de 0.0 a 1.0, donde:
+ - 0.0 - 0.4: Necesita atención prioritaria
+ - 0.4 - 0.6: En desarrollo
+ - 0.6 - 0.8: Buen nivel
+ - 0.8 - 1.0: Nivel avanzado
+ """)
+
+ # Métricas con explicaciones detalladas
+ col1, col2, col3, col4 = st.columns(4)
+
+ with col1:
+ st.metric(
+ "Vocabulario",
+ f"{metrics['vocabulary']['normalized_score']:.2f}",
+ help="Mide la variedad y riqueza de tu vocabulario. Un valor alto indica un uso diverso de palabras sin repeticiones excesivas."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Vocabulario**
+ - Evalúa la diversidad léxica
+ - Considera palabras únicas vs. totales
+ - Detecta repeticiones innecesarias
+ - Valor óptimo: > 0.7
+ """)
+
+ with col2:
+ st.metric(
+ "Estructura",
+ f"{metrics['structure']['normalized_score']:.2f}",
+ help="Evalúa la complejidad y variedad de las estructuras sintácticas en tus oraciones."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Estructura**
+ - Analiza la complejidad sintáctica
+ - Mide variación en construcciones
+ - Evalúa longitud de oraciones
+ - Valor óptimo: > 0.6
+ """)
+
+ with col3:
+ st.metric(
+ "Cohesión",
+ f"{metrics['cohesion']['normalized_score']:.2f}",
+ help="Indica qué tan bien conectadas están tus ideas y párrafos entre sí."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Cohesión**
+ - Mide conexiones entre ideas
+ - Evalúa uso de conectores
+ - Analiza progresión temática
+ - Valor óptimo: > 0.65
+ """)
+
+ with col4:
+ st.metric(
+ "Claridad",
+ f"{metrics['clarity']['normalized_score']:.2f}",
+ help="Evalúa la facilidad de comprensión general de tu texto."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Claridad**
+ - Evalúa comprensibilidad
+ - Considera estructura lógica
+ - Mide precisión expresiva
+ - Valor óptimo: > 0.7
+ """)
+
+ st.markdown("---")
+
+ # 2. Recomendaciones basadas en puntuaciones
+ st.markdown("### 💡 Recomendaciones Personalizadas")
+
+ # Recomendaciones morfosintácticas
+ if metrics['structure']['normalized_score'] < 0.6:
+ st.warning("""
+ #### 📝 Análisis Morfosintáctico Recomendado
+
+ **Tu nivel actual sugiere que sería beneficioso:**
+ 1. Realizar el análisis morfosintáctico de 3 párrafos diferentes
+ 2. Practicar la combinación de oraciones simples en compuestas
+ 3. Identificar y clasificar tipos de oraciones en textos académicos
+ 4. Ejercitar la variación sintáctica
+
+ *Hacer clic en "Comenzar ejercicios" para acceder al módulo morfosintáctico*
+ """)
+
+ # Recomendaciones semánticas
+ if metrics['vocabulary']['normalized_score'] < 0.7:
+ st.warning("""
+ #### 📚 Análisis Semántico Recomendado
+
+ **Para mejorar tu vocabulario y expresión:**
+ A. Realiza el análisis semántico de un texto académico
+ B. Identifica y agrupa campos semánticos relacionados
+ C. Practica la sustitución léxica en tus párrafos
+ D. Construye redes de conceptos sobre tu tema
+ E. Analiza las relaciones entre ideas principales
+
+ *Hacer clic en "Comenzar ejercicios" para acceder al módulo semántico*
+ """)
+
+ # Recomendaciones de cohesión
+ if metrics['cohesion']['normalized_score'] < 0.65:
+ st.warning("""
+ #### 🔄 Análisis del Discurso Recomendado
+
+ **Para mejorar la conexión entre ideas:**
+ 1. Realizar el análisis del discurso de un texto modelo
+ 2. Practicar el uso de diferentes conectores textuales
+ 3. Identificar cadenas de referencia en textos académicos
+ 4. Ejercitar la progresión temática en tus escritos
+
+ *Hacer clic en "Comenzar ejercicios" para acceder al módulo de análisis del discurso*
+ """)
+
+ # Botón de acción
+ st.markdown("---")
+ col1, col2, col3 = st.columns([1,2,1])
+ with col2:
+ st.button(
+ "🎯 Comenzar ejercicios recomendados",
+ type="primary",
+ use_container_width=True,
+ key="start_exercises"
)
\ No newline at end of file
diff --git a/modules/studentact/current_situation_interface-v2.py b/modules/studentact/current_situation_interface-v2.py
index 5e20278e31b6b6b528279cde78cfe78e81d1344e..64316c76a1bc41b01bdfd35d76e7f47117aefa24 100644
--- a/modules/studentact/current_situation_interface-v2.py
+++ b/modules/studentact/current_situation_interface-v2.py
@@ -1,291 +1,291 @@
-# modules/studentact/current_situation_interface.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-
-from ..database.current_situation_mongo_db import store_current_situation_result
-
-from .current_situation_analysis import (
- analyze_text_dimensions,
- analyze_clarity,
- analyze_reference_clarity,
- analyze_vocabulary_diversity,
- analyze_cohesion,
- analyze_structure,
- get_dependency_depths,
- normalize_score,
- generate_sentence_graphs,
- generate_word_connections,
- generate_connection_paths,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap,
-)
-
-logger = logging.getLogger(__name__)
-####################################
-
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- Interfaz simplificada para el análisis inicial, enfocada en recomendaciones directas.
- """
- try:
- # Inicializar estados si no existen
- if 'text_input' not in st.session_state:
- st.session_state.text_input = ""
- if 'show_results' not in st.session_state:
- st.session_state.show_results = False
- if 'current_doc' not in st.session_state:
- st.session_state.current_doc = None
- if 'current_metrics' not in st.session_state:
- st.session_state.current_metrics = None
-
- st.markdown("## Análisis Inicial de Escritura")
-
- # Container principal con dos columnas
- with st.container():
- input_col, results_col = st.columns([1,2])
-
- with input_col:
- st.markdown("### Ingresa tu texto")
-
- # Función para manejar cambios en el texto
- def on_text_change():
- st.session_state.text_input = st.session_state.text_area
- st.session_state.show_results = False # Resetear resultados cuando el texto cambia
-
- # Text area con manejo de estado
- text_input = st.text_area(
- t.get('input_prompt', "Escribe o pega tu texto aquí:"),
- height=400,
- key="text_area",
- value=st.session_state.text_input,
- on_change=on_text_change,
- help="Este texto será analizado para darte recomendaciones personalizadas"
- )
-
- if st.button(
- t.get('analyze_button', "Analizar mi escritura"),
- type="primary",
- disabled=not text_input.strip(),
- use_container_width=True,
- ):
- try:
- with st.spinner(t.get('processing', "Analizando...")):
- # Procesar texto y obtener métricas
- doc = nlp_models[lang_code](text_input)
- metrics = analyze_text_dimensions(doc)
-
- # Guardar en MongoDB
- storage_success = store_current_situation_result(
- username=st.session_state.username,
- text=text_input,
- metrics=metrics,
- feedback=None # Por ahora sin feedback
- )
-
- if not storage_success:
- logger.warning("No se pudo guardar el análisis en la base de datos")
-
- # Actualizar estado
- st.session_state.current_doc = doc
- st.session_state.current_metrics = metrics
- st.session_state.show_results = True
- st.session_state.text_input = text_input
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(t.get('analysis_error', "Error al analizar el texto"))
-
- # Mostrar resultados en la columna derecha
- with results_col:
- if st.session_state.show_results and st.session_state.current_metrics is not None:
- display_recommendations(st.session_state.current_metrics, t)
-
- # Opción para ver detalles
- with st.expander("🔍 Ver análisis detallado", expanded=False):
- display_current_situation_visual(
- st.session_state.current_doc,
- st.session_state.current_metrics
- )
-
- except Exception as e:
- logger.error(f"Error en interfaz: {str(e)}")
- st.error("Ocurrió un error. Por favor, intente de nuevo.")
-
-
-
-def display_current_situation_visual(doc, metrics):
- """
- Muestra visualizaciones detalladas del análisis.
- """
- try:
- st.markdown("### 📊 Visualizaciones Detalladas")
-
- # 1. Visualización de vocabulario
- with st.expander("Análisis de Vocabulario", expanded=True):
- vocab_graph = create_vocabulary_network(doc)
- if vocab_graph:
- st.pyplot(vocab_graph)
- plt.close(vocab_graph)
-
- # 2. Visualización de estructura
- with st.expander("Análisis de Estructura", expanded=True):
- syntax_graph = create_syntax_complexity_graph(doc)
- if syntax_graph:
- st.pyplot(syntax_graph)
- plt.close(syntax_graph)
-
- # 3. Visualización de cohesión
- with st.expander("Análisis de Cohesión", expanded=True):
- cohesion_graph = create_cohesion_heatmap(doc)
- if cohesion_graph:
- st.pyplot(cohesion_graph)
- plt.close(cohesion_graph)
-
- except Exception as e:
- logger.error(f"Error en visualización: {str(e)}")
- st.error("Error al generar las visualizaciones")
-
-
-####################################
-def display_recommendations(metrics, t):
- """
- Muestra recomendaciones basadas en las métricas del texto.
- """
- # 1. Resumen Visual con Explicación
- st.markdown("### 📊 Resumen de tu Análisis")
-
- # Explicación del sistema de medición
- st.markdown("""
- **¿Cómo interpretar los resultados?**
-
- Cada métrica se mide en una escala de 0.0 a 1.0, donde:
- - 0.0 - 0.4: Necesita atención prioritaria
- - 0.4 - 0.6: En desarrollo
- - 0.6 - 0.8: Buen nivel
- - 0.8 - 1.0: Nivel avanzado
- """)
-
- # Métricas con explicaciones detalladas
- col1, col2, col3, col4 = st.columns(4)
-
- with col1:
- st.metric(
- "Vocabulario",
- f"{metrics['vocabulary']['normalized_score']:.2f}",
- help="Mide la variedad y riqueza de tu vocabulario. Un valor alto indica un uso diverso de palabras sin repeticiones excesivas."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Vocabulario**
- - Evalúa la diversidad léxica
- - Considera palabras únicas vs. totales
- - Detecta repeticiones innecesarias
- - Valor óptimo: > 0.7
- """)
-
- with col2:
- st.metric(
- "Estructura",
- f"{metrics['structure']['normalized_score']:.2f}",
- help="Evalúa la complejidad y variedad de las estructuras sintácticas en tus oraciones."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Estructura**
- - Analiza la complejidad sintáctica
- - Mide variación en construcciones
- - Evalúa longitud de oraciones
- - Valor óptimo: > 0.6
- """)
-
- with col3:
- st.metric(
- "Cohesión",
- f"{metrics['cohesion']['normalized_score']:.2f}",
- help="Indica qué tan bien conectadas están tus ideas y párrafos entre sí."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Cohesión**
- - Mide conexiones entre ideas
- - Evalúa uso de conectores
- - Analiza progresión temática
- - Valor óptimo: > 0.65
- """)
-
- with col4:
- st.metric(
- "Claridad",
- f"{metrics['clarity']['normalized_score']:.2f}",
- help="Evalúa la facilidad de comprensión general de tu texto."
- )
- with st.expander("ℹ️ Detalles"):
- st.write("""
- **Claridad**
- - Evalúa comprensibilidad
- - Considera estructura lógica
- - Mide precisión expresiva
- - Valor óptimo: > 0.7
- """)
-
- st.markdown("---")
-
- # 2. Recomendaciones basadas en puntuaciones
- st.markdown("### 💡 Recomendaciones Personalizadas")
-
- # Recomendaciones morfosintácticas
- if metrics['structure']['normalized_score'] < 0.6:
- st.warning("""
- #### 📝 Análisis Morfosintáctico Recomendado
-
- **Tu nivel actual sugiere que sería beneficioso:**
- 1. Realizar el análisis morfosintáctico de 3 párrafos diferentes
- 2. Practicar la combinación de oraciones simples en compuestas
- 3. Identificar y clasificar tipos de oraciones en textos académicos
- 4. Ejercitar la variación sintáctica
-
- *Hacer clic en "Comenzar ejercicios" para acceder al módulo morfosintáctico*
- """)
-
- # Recomendaciones semánticas
- if metrics['vocabulary']['normalized_score'] < 0.7:
- st.warning("""
- #### 📚 Análisis Semántico Recomendado
-
- **Para mejorar tu vocabulario y expresión:**
- A. Realiza el análisis semántico de un texto académico
- B. Identifica y agrupa campos semánticos relacionados
- C. Practica la sustitución léxica en tus párrafos
- D. Construye redes de conceptos sobre tu tema
- E. Analiza las relaciones entre ideas principales
-
- *Hacer clic en "Comenzar ejercicios" para acceder al módulo semántico*
- """)
-
- # Recomendaciones de cohesión
- if metrics['cohesion']['normalized_score'] < 0.65:
- st.warning("""
- #### 🔄 Análisis del Discurso Recomendado
-
- **Para mejorar la conexión entre ideas:**
- 1. Realizar el análisis del discurso de un texto modelo
- 2. Practicar el uso de diferentes conectores textuales
- 3. Identificar cadenas de referencia en textos académicos
- 4. Ejercitar la progresión temática en tus escritos
-
- *Hacer clic en "Comenzar ejercicios" para acceder al módulo de análisis del discurso*
- """)
-
- # Botón de acción
- st.markdown("---")
- col1, col2, col3 = st.columns([1,2,1])
- with col2:
- st.button(
- "🎯 Comenzar ejercicios recomendados",
- type="primary",
- use_container_width=True,
- key="start_exercises"
- )
+# modules/studentact/current_situation_interface.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+
+from ..database.current_situation_mongo_db import store_current_situation_result
+
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ analyze_clarity,
+ analyze_reference_clarity,
+ analyze_vocabulary_diversity,
+ analyze_cohesion,
+ analyze_structure,
+ get_dependency_depths,
+ normalize_score,
+ generate_sentence_graphs,
+ generate_word_connections,
+ generate_connection_paths,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap,
+)
+
+logger = logging.getLogger(__name__)
+####################################
+
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ Interfaz simplificada para el análisis inicial, enfocada en recomendaciones directas.
+ """
+ try:
+ # Inicializar estados si no existen
+ if 'text_input' not in st.session_state:
+ st.session_state.text_input = ""
+ if 'show_results' not in st.session_state:
+ st.session_state.show_results = False
+ if 'current_doc' not in st.session_state:
+ st.session_state.current_doc = None
+ if 'current_metrics' not in st.session_state:
+ st.session_state.current_metrics = None
+
+ st.markdown("## Análisis Inicial de Escritura")
+
+ # Container principal con dos columnas
+ with st.container():
+ input_col, results_col = st.columns([1,2])
+
+ with input_col:
+ st.markdown("### Ingresa tu texto")
+
+ # Función para manejar cambios en el texto
+ def on_text_change():
+ st.session_state.text_input = st.session_state.text_area
+ st.session_state.show_results = False # Resetear resultados cuando el texto cambia
+
+ # Text area con manejo de estado
+ text_input = st.text_area(
+ t.get('input_prompt', "Escribe o pega tu texto aquí:"),
+ height=400,
+ key="text_area",
+ value=st.session_state.text_input,
+ on_change=on_text_change,
+ help="Este texto será analizado para darte recomendaciones personalizadas"
+ )
+
+ if st.button(
+ t.get('analyze_button', "Analizar mi escritura"),
+ type="primary",
+ disabled=not text_input.strip(),
+ use_container_width=True,
+ ):
+ try:
+ with st.spinner(t.get('processing', "Analizando...")):
+ # Procesar texto y obtener métricas
+ doc = nlp_models[lang_code](text_input)
+ metrics = analyze_text_dimensions(doc)
+
+ # Guardar en MongoDB
+ storage_success = store_current_situation_result(
+ username=st.session_state.username,
+ text=text_input,
+ metrics=metrics,
+ feedback=None # Por ahora sin feedback
+ )
+
+ if not storage_success:
+ logger.warning("No se pudo guardar el análisis en la base de datos")
+
+ # Actualizar estado
+ st.session_state.current_doc = doc
+ st.session_state.current_metrics = metrics
+ st.session_state.show_results = True
+ st.session_state.text_input = text_input
+
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error(t.get('analysis_error', "Error al analizar el texto"))
+
+ # Mostrar resultados en la columna derecha
+ with results_col:
+ if st.session_state.show_results and st.session_state.current_metrics is not None:
+ display_recommendations(st.session_state.current_metrics, t)
+
+ # Opción para ver detalles
+ with st.expander("🔍 Ver análisis detallado", expanded=False):
+ display_current_situation_visual(
+ st.session_state.current_doc,
+ st.session_state.current_metrics
+ )
+
+ except Exception as e:
+ logger.error(f"Error en interfaz: {str(e)}")
+ st.error("Ocurrió un error. Por favor, intente de nuevo.")
+
+
+
+def display_current_situation_visual(doc, metrics):
+ """
+ Muestra visualizaciones detalladas del análisis.
+ """
+ try:
+ st.markdown("### 📊 Visualizaciones Detalladas")
+
+ # 1. Visualización de vocabulario
+ with st.expander("Análisis de Vocabulario", expanded=True):
+ vocab_graph = create_vocabulary_network(doc)
+ if vocab_graph:
+ st.pyplot(vocab_graph)
+ plt.close(vocab_graph)
+
+ # 2. Visualización de estructura
+ with st.expander("Análisis de Estructura", expanded=True):
+ syntax_graph = create_syntax_complexity_graph(doc)
+ if syntax_graph:
+ st.pyplot(syntax_graph)
+ plt.close(syntax_graph)
+
+ # 3. Visualización de cohesión
+ with st.expander("Análisis de Cohesión", expanded=True):
+ cohesion_graph = create_cohesion_heatmap(doc)
+ if cohesion_graph:
+ st.pyplot(cohesion_graph)
+ plt.close(cohesion_graph)
+
+ except Exception as e:
+ logger.error(f"Error en visualización: {str(e)}")
+ st.error("Error al generar las visualizaciones")
+
+
+####################################
+def display_recommendations(metrics, t):
+ """
+ Muestra recomendaciones basadas en las métricas del texto.
+ """
+ # 1. Resumen Visual con Explicación
+ st.markdown("### 📊 Resumen de tu Análisis")
+
+ # Explicación del sistema de medición
+ st.markdown("""
+ **¿Cómo interpretar los resultados?**
+
+ Cada métrica se mide en una escala de 0.0 a 1.0, donde:
+ - 0.0 - 0.4: Necesita atención prioritaria
+ - 0.4 - 0.6: En desarrollo
+ - 0.6 - 0.8: Buen nivel
+ - 0.8 - 1.0: Nivel avanzado
+ """)
+
+ # Métricas con explicaciones detalladas
+ col1, col2, col3, col4 = st.columns(4)
+
+ with col1:
+ st.metric(
+ "Vocabulario",
+ f"{metrics['vocabulary']['normalized_score']:.2f}",
+ help="Mide la variedad y riqueza de tu vocabulario. Un valor alto indica un uso diverso de palabras sin repeticiones excesivas."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Vocabulario**
+ - Evalúa la diversidad léxica
+ - Considera palabras únicas vs. totales
+ - Detecta repeticiones innecesarias
+ - Valor óptimo: > 0.7
+ """)
+
+ with col2:
+ st.metric(
+ "Estructura",
+ f"{metrics['structure']['normalized_score']:.2f}",
+ help="Evalúa la complejidad y variedad de las estructuras sintácticas en tus oraciones."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Estructura**
+ - Analiza la complejidad sintáctica
+ - Mide variación en construcciones
+ - Evalúa longitud de oraciones
+ - Valor óptimo: > 0.6
+ """)
+
+ with col3:
+ st.metric(
+ "Cohesión",
+ f"{metrics['cohesion']['normalized_score']:.2f}",
+ help="Indica qué tan bien conectadas están tus ideas y párrafos entre sí."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Cohesión**
+ - Mide conexiones entre ideas
+ - Evalúa uso de conectores
+ - Analiza progresión temática
+ - Valor óptimo: > 0.65
+ """)
+
+ with col4:
+ st.metric(
+ "Claridad",
+ f"{metrics['clarity']['normalized_score']:.2f}",
+ help="Evalúa la facilidad de comprensión general de tu texto."
+ )
+ with st.expander("ℹ️ Detalles"):
+ st.write("""
+ **Claridad**
+ - Evalúa comprensibilidad
+ - Considera estructura lógica
+ - Mide precisión expresiva
+ - Valor óptimo: > 0.7
+ """)
+
+ st.markdown("---")
+
+ # 2. Recomendaciones basadas en puntuaciones
+ st.markdown("### 💡 Recomendaciones Personalizadas")
+
+ # Recomendaciones morfosintácticas
+ if metrics['structure']['normalized_score'] < 0.6:
+ st.warning("""
+ #### 📝 Análisis Morfosintáctico Recomendado
+
+ **Tu nivel actual sugiere que sería beneficioso:**
+ 1. Realizar el análisis morfosintáctico de 3 párrafos diferentes
+ 2. Practicar la combinación de oraciones simples en compuestas
+ 3. Identificar y clasificar tipos de oraciones en textos académicos
+ 4. Ejercitar la variación sintáctica
+
+ *Hacer clic en "Comenzar ejercicios" para acceder al módulo morfosintáctico*
+ """)
+
+ # Recomendaciones semánticas
+ if metrics['vocabulary']['normalized_score'] < 0.7:
+ st.warning("""
+ #### 📚 Análisis Semántico Recomendado
+
+ **Para mejorar tu vocabulario y expresión:**
+ A. Realiza el análisis semántico de un texto académico
+ B. Identifica y agrupa campos semánticos relacionados
+ C. Practica la sustitución léxica en tus párrafos
+ D. Construye redes de conceptos sobre tu tema
+ E. Analiza las relaciones entre ideas principales
+
+ *Hacer clic en "Comenzar ejercicios" para acceder al módulo semántico*
+ """)
+
+ # Recomendaciones de cohesión
+ if metrics['cohesion']['normalized_score'] < 0.65:
+ st.warning("""
+ #### 🔄 Análisis del Discurso Recomendado
+
+ **Para mejorar la conexión entre ideas:**
+ 1. Realizar el análisis del discurso de un texto modelo
+ 2. Practicar el uso de diferentes conectores textuales
+ 3. Identificar cadenas de referencia en textos académicos
+ 4. Ejercitar la progresión temática en tus escritos
+
+ *Hacer clic en "Comenzar ejercicios" para acceder al módulo de análisis del discurso*
+ """)
+
+ # Botón de acción
+ st.markdown("---")
+ col1, col2, col3 = st.columns([1,2,1])
+ with col2:
+ st.button(
+ "🎯 Comenzar ejercicios recomendados",
+ type="primary",
+ use_container_width=True,
+ key="start_exercises"
+ )
diff --git a/modules/studentact/current_situation_interface-v3.py b/modules/studentact/current_situation_interface-v3.py
index 1646ab980c38d96e0916a80b7ac262b07c69836b..599801971ea94f92e107469154a201bf248825cd 100644
--- a/modules/studentact/current_situation_interface-v3.py
+++ b/modules/studentact/current_situation_interface-v3.py
@@ -1,190 +1,190 @@
-# modules/studentact/current_situation_interface.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-import matplotlib.pyplot as plt
-import numpy as np
-from ..database.current_situation_mongo_db import store_current_situation_result
-
-from .current_situation_analysis import (
- analyze_text_dimensions,
- analyze_clarity,
- analyze_reference_clarity,
- analyze_vocabulary_diversity,
- analyze_cohesion,
- analyze_structure,
- get_dependency_depths,
- normalize_score,
- generate_sentence_graphs,
- generate_word_connections,
- generate_connection_paths,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap,
-)
-
-# Configuración del estilo de matplotlib para el gráfico de radar
-plt.rcParams['font.family'] = 'sans-serif'
-plt.rcParams['axes.grid'] = True
-plt.rcParams['axes.spines.top'] = False
-plt.rcParams['axes.spines.right'] = False
-
-logger = logging.getLogger(__name__)
-####################################
-
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- Interfaz simplificada con gráfico de radar para visualizar métricas.
- """
- try:
- # Inicializar estados si no existen
- if 'text_input' not in st.session_state:
- st.session_state.text_input = ""
- if 'show_results' not in st.session_state:
- st.session_state.show_results = False
- if 'current_doc' not in st.session_state:
- st.session_state.current_doc = None
- if 'current_metrics' not in st.session_state:
- st.session_state.current_metrics = None
-
- st.markdown("## Análisis Inicial de Escritura")
-
- # Container principal con dos columnas
- with st.container():
- input_col, results_col = st.columns([1,2])
-
- with input_col:
- #st.markdown("### Ingresa tu texto")
-
- # Función para manejar cambios en el texto
- def on_text_change():
- st.session_state.text_input = st.session_state.text_area
- st.session_state.show_results = False
-
- # Text area con manejo de estado
- text_input = st.text_area(
- t.get('input_prompt', "Escribe o pega tu texto aquí:"),
- height=400,
- key="text_area",
- value=st.session_state.text_input,
- on_change=on_text_change,
- help="Este texto será analizado para darte recomendaciones personalizadas"
- )
-
- if st.button(
- t.get('analyze_button', "Analizar mi escritura"),
- type="primary",
- disabled=not text_input.strip(),
- use_container_width=True,
- ):
- try:
- with st.spinner(t.get('processing', "Analizando...")):
- doc = nlp_models[lang_code](text_input)
- metrics = analyze_text_dimensions(doc)
-
- # Guardar en MongoDB
- storage_success = store_current_situation_result(
- username=st.session_state.username,
- text=text_input,
- metrics=metrics,
- feedback=None
- )
-
- if not storage_success:
- logger.warning("No se pudo guardar el análisis en la base de datos")
-
- st.session_state.current_doc = doc
- st.session_state.current_metrics = metrics
- st.session_state.show_results = True
- st.session_state.text_input = text_input
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(t.get('analysis_error', "Error al analizar el texto"))
-
- # Mostrar resultados en la columna derecha
- with results_col:
- if st.session_state.show_results and st.session_state.current_metrics is not None:
- display_radar_chart(st.session_state.current_metrics)
-
- except Exception as e:
- logger.error(f"Error en interfaz: {str(e)}")
- st.error("Ocurrió un error. Por favor, intente de nuevo.")
-
-def display_radar_chart(metrics):
- """
- Muestra un gráfico de radar con las métricas del usuario y el patrón ideal.
- """
- try:
- # Container con proporción reducida
- with st.container():
- # Métricas en la parte superior
- col1, col2, col3, col4 = st.columns(4)
- with col1:
- st.metric("Vocabulario", f"{metrics['vocabulary']['normalized_score']:.2f}", "1.00")
- with col2:
- st.metric("Estructura", f"{metrics['structure']['normalized_score']:.2f}", "1.00")
- with col3:
- st.metric("Cohesión", f"{metrics['cohesion']['normalized_score']:.2f}", "1.00")
- with col4:
- st.metric("Claridad", f"{metrics['clarity']['normalized_score']:.2f}", "1.00")
-
- # Contenedor para el gráfico con ancho controlado
- _, graph_col, _ = st.columns([1,2,1])
-
- with graph_col:
- # Preparar datos
- categories = ['Vocabulario', 'Estructura', 'Cohesión', 'Claridad']
- values_user = [
- metrics['vocabulary']['normalized_score'],
- metrics['structure']['normalized_score'],
- metrics['cohesion']['normalized_score'],
- metrics['clarity']['normalized_score']
- ]
- values_pattern = [1.0, 1.0, 1.0, 1.0] # Patrón ideal
-
- # Crear figura más compacta
- fig = plt.figure(figsize=(6, 6))
- ax = fig.add_subplot(111, projection='polar')
-
- # Número de variables
- num_vars = len(categories)
-
- # Calcular ángulos
- angles = [n / float(num_vars) * 2 * np.pi for n in range(num_vars)]
- angles += angles[:1]
-
- # Extender valores para cerrar polígonos
- values_user += values_user[:1]
- values_pattern += values_pattern[:1]
-
- # Configurar ejes y etiquetas
- ax.set_xticks(angles[:-1])
- ax.set_xticklabels(categories, fontsize=8)
-
- # Círculos concéntricos y etiquetas
- circle_ticks = np.arange(0, 1.1, 0.2) # Reducido a 5 niveles
- ax.set_yticks(circle_ticks)
- ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
- ax.set_ylim(0, 1)
-
- # Dibujar patrón ideal
- ax.plot(angles, values_pattern, 'g--', linewidth=1, label='Patrón', alpha=0.5)
- ax.fill(angles, values_pattern, 'g', alpha=0.1)
-
- # Dibujar valores del usuario
- ax.plot(angles, values_user, 'b-', linewidth=2, label='Tu escritura')
- ax.fill(angles, values_user, 'b', alpha=0.2)
-
- # Leyenda
- ax.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1), fontsize=8)
-
- # Ajustes finales
- plt.tight_layout()
- st.pyplot(fig)
- plt.close()
-
- except Exception as e:
- logger.error(f"Error generando gráfico de radar: {str(e)}")
+# modules/studentact/current_situation_interface.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+import matplotlib.pyplot as plt
+import numpy as np
+from ..database.current_situation_mongo_db import store_current_situation_result
+
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ analyze_clarity,
+ analyze_reference_clarity,
+ analyze_vocabulary_diversity,
+ analyze_cohesion,
+ analyze_structure,
+ get_dependency_depths,
+ normalize_score,
+ generate_sentence_graphs,
+ generate_word_connections,
+ generate_connection_paths,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap,
+)
+
+# Configuración del estilo de matplotlib para el gráfico de radar
+plt.rcParams['font.family'] = 'sans-serif'
+plt.rcParams['axes.grid'] = True
+plt.rcParams['axes.spines.top'] = False
+plt.rcParams['axes.spines.right'] = False
+
+logger = logging.getLogger(__name__)
+####################################
+
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ Interfaz simplificada con gráfico de radar para visualizar métricas.
+ """
+ try:
+ # Inicializar estados si no existen
+ if 'text_input' not in st.session_state:
+ st.session_state.text_input = ""
+ if 'show_results' not in st.session_state:
+ st.session_state.show_results = False
+ if 'current_doc' not in st.session_state:
+ st.session_state.current_doc = None
+ if 'current_metrics' not in st.session_state:
+ st.session_state.current_metrics = None
+
+ st.markdown("## Análisis Inicial de Escritura")
+
+ # Container principal con dos columnas
+ with st.container():
+ input_col, results_col = st.columns([1,2])
+
+ with input_col:
+ #st.markdown("### Ingresa tu texto")
+
+ # Función para manejar cambios en el texto
+ def on_text_change():
+ st.session_state.text_input = st.session_state.text_area
+ st.session_state.show_results = False
+
+ # Text area con manejo de estado
+ text_input = st.text_area(
+ t.get('input_prompt', "Escribe o pega tu texto aquí:"),
+ height=400,
+ key="text_area",
+ value=st.session_state.text_input,
+ on_change=on_text_change,
+ help="Este texto será analizado para darte recomendaciones personalizadas"
+ )
+
+ if st.button(
+ t.get('analyze_button', "Analizar mi escritura"),
+ type="primary",
+ disabled=not text_input.strip(),
+ use_container_width=True,
+ ):
+ try:
+ with st.spinner(t.get('processing', "Analizando...")):
+ doc = nlp_models[lang_code](text_input)
+ metrics = analyze_text_dimensions(doc)
+
+ # Guardar en MongoDB
+ storage_success = store_current_situation_result(
+ username=st.session_state.username,
+ text=text_input,
+ metrics=metrics,
+ feedback=None
+ )
+
+ if not storage_success:
+ logger.warning("No se pudo guardar el análisis en la base de datos")
+
+ st.session_state.current_doc = doc
+ st.session_state.current_metrics = metrics
+ st.session_state.show_results = True
+ st.session_state.text_input = text_input
+
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error(t.get('analysis_error', "Error al analizar el texto"))
+
+ # Mostrar resultados en la columna derecha
+ with results_col:
+ if st.session_state.show_results and st.session_state.current_metrics is not None:
+ display_radar_chart(st.session_state.current_metrics)
+
+ except Exception as e:
+ logger.error(f"Error en interfaz: {str(e)}")
+ st.error("Ocurrió un error. Por favor, intente de nuevo.")
+
+def display_radar_chart(metrics):
+ """
+ Muestra un gráfico de radar con las métricas del usuario y el patrón ideal.
+ """
+ try:
+ # Container con proporción reducida
+ with st.container():
+ # Métricas en la parte superior
+ col1, col2, col3, col4 = st.columns(4)
+ with col1:
+ st.metric("Vocabulario", f"{metrics['vocabulary']['normalized_score']:.2f}", "1.00")
+ with col2:
+ st.metric("Estructura", f"{metrics['structure']['normalized_score']:.2f}", "1.00")
+ with col3:
+ st.metric("Cohesión", f"{metrics['cohesion']['normalized_score']:.2f}", "1.00")
+ with col4:
+ st.metric("Claridad", f"{metrics['clarity']['normalized_score']:.2f}", "1.00")
+
+ # Contenedor para el gráfico con ancho controlado
+ _, graph_col, _ = st.columns([1,2,1])
+
+ with graph_col:
+ # Preparar datos
+ categories = ['Vocabulario', 'Estructura', 'Cohesión', 'Claridad']
+ values_user = [
+ metrics['vocabulary']['normalized_score'],
+ metrics['structure']['normalized_score'],
+ metrics['cohesion']['normalized_score'],
+ metrics['clarity']['normalized_score']
+ ]
+ values_pattern = [1.0, 1.0, 1.0, 1.0] # Patrón ideal
+
+ # Crear figura más compacta
+ fig = plt.figure(figsize=(6, 6))
+ ax = fig.add_subplot(111, projection='polar')
+
+ # Número de variables
+ num_vars = len(categories)
+
+ # Calcular ángulos
+ angles = [n / float(num_vars) * 2 * np.pi for n in range(num_vars)]
+ angles += angles[:1]
+
+ # Extender valores para cerrar polígonos
+ values_user += values_user[:1]
+ values_pattern += values_pattern[:1]
+
+ # Configurar ejes y etiquetas
+ ax.set_xticks(angles[:-1])
+ ax.set_xticklabels(categories, fontsize=8)
+
+ # Círculos concéntricos y etiquetas
+ circle_ticks = np.arange(0, 1.1, 0.2) # Reducido a 5 niveles
+ ax.set_yticks(circle_ticks)
+ ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
+ ax.set_ylim(0, 1)
+
+ # Dibujar patrón ideal
+ ax.plot(angles, values_pattern, 'g--', linewidth=1, label='Patrón', alpha=0.5)
+ ax.fill(angles, values_pattern, 'g', alpha=0.1)
+
+ # Dibujar valores del usuario
+ ax.plot(angles, values_user, 'b-', linewidth=2, label='Tu escritura')
+ ax.fill(angles, values_user, 'b', alpha=0.2)
+
+ # Leyenda
+ ax.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1), fontsize=8)
+
+ # Ajustes finales
+ plt.tight_layout()
+ st.pyplot(fig)
+ plt.close()
+
+ except Exception as e:
+ logger.error(f"Error generando gráfico de radar: {str(e)}")
st.error("Error al generar la visualización")
\ No newline at end of file
diff --git a/modules/studentact/current_situation_interface.py b/modules/studentact/current_situation_interface.py
index 5790793b09e44622e9ae116dffc0cd424a11f214..27d522bea7a017121700e993e9155d787f3e3aea 100644
--- a/modules/studentact/current_situation_interface.py
+++ b/modules/studentact/current_situation_interface.py
@@ -1,448 +1,448 @@
-# modules/studentact/current_situation_interface.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-import matplotlib.pyplot as plt
-import numpy as np
-from ..database.current_situation_mongo_db import store_current_situation_result
-
-# Importaciones locales
-from translations import get_translations
-
-# Importamos la función de recomendaciones personalizadas si existe
-try:
- from .claude_recommendations import display_personalized_recommendations
-except ImportError:
- # Si no existe el módulo, definimos una función placeholder
- def display_personalized_recommendations(text, metrics, text_type, lang_code, t):
- # Obtener el mensaje de advertencia traducido si está disponible
- warning = t.get('module_not_available', "Módulo de recomendaciones personalizadas no disponible. Por favor, contacte al administrador.")
- st.warning(warning)
-
-from .current_situation_analysis import (
- analyze_text_dimensions,
- analyze_clarity,
- analyze_vocabulary_diversity,
- analyze_cohesion,
- analyze_structure,
- get_dependency_depths,
- normalize_score,
- generate_sentence_graphs,
- generate_word_connections,
- generate_connection_paths,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap
-)
-
-# Configuración del estilo de matplotlib para el gráfico de radar
-plt.rcParams['font.family'] = 'sans-serif'
-plt.rcParams['axes.grid'] = True
-plt.rcParams['axes.spines.top'] = False
-plt.rcParams['axes.spines.right'] = False
-
-logger = logging.getLogger(__name__)
-
-# Definición de tipos de texto con umbrales
-TEXT_TYPES = {
- 'academic_article': {
- # Los nombres se obtendrán de las traducciones
- 'thresholds': {
- 'vocabulary': {'min': 0.70, 'target': 0.85},
- 'structure': {'min': 0.75, 'target': 0.90},
- 'cohesion': {'min': 0.65, 'target': 0.80},
- 'clarity': {'min': 0.70, 'target': 0.85}
- }
- },
- 'student_essay': {
- 'thresholds': {
- 'vocabulary': {'min': 0.60, 'target': 0.75},
- 'structure': {'min': 0.65, 'target': 0.80},
- 'cohesion': {'min': 0.55, 'target': 0.70},
- 'clarity': {'min': 0.60, 'target': 0.75}
- }
- },
- 'general_communication': {
- 'thresholds': {
- 'vocabulary': {'min': 0.50, 'target': 0.65},
- 'structure': {'min': 0.55, 'target': 0.70},
- 'cohesion': {'min': 0.45, 'target': 0.60},
- 'clarity': {'min': 0.50, 'target': 0.65}
- }
- }
-}
-
-####################################################
-####################################################
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- Interfaz simplificada con gráfico de radar para visualizar métricas.
- """
- # Agregar logs para depuración
- logger.info(f"Idioma: {lang_code}")
- logger.info(f"Claves en t: {list(t.keys())}")
-
- # Inicializar estados si no existen
- if 'text_input' not in st.session_state:
- st.session_state.text_input = ""
- if 'text_area' not in st.session_state:
- st.session_state.text_area = ""
- if 'show_results' not in st.session_state:
- st.session_state.show_results = False
- if 'current_doc' not in st.session_state:
- st.session_state.current_doc = None
- if 'current_metrics' not in st.session_state:
- st.session_state.current_metrics = None
- if 'current_recommendations' not in st.session_state:
- st.session_state.current_recommendations = None
-
- try:
- # Container principal con dos columnas
- with st.container():
- input_col, results_col = st.columns([1,2])
-
-###############################################################################################
- # CSS personalizado para que el formulario ocupe todo el alto disponible
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
-###############################################################################################
- with input_col:
- with st.form(key=f"text_input_form_{lang_code}"):
- text_input = st.text_area(
- t.get('input_prompt', "Escribe o pega tu texto aquí:"),
- height=800,
- key=f"text_area_{lang_code}",
- value=st.session_state.text_input,
- help=t.get('help', "Este texto será analizado para darte recomendaciones personalizadas")
- )
-
- submit_button = st.form_submit_button(
- t.get('analyze_button', "Analizar mi escritura"),
- type="primary",
- use_container_width=True
- )
-
- if submit_button:
- if text_input.strip():
- st.session_state.text_input = text_input
-
-#######################################################################
- # Código para análisis...
- try:
- with st.spinner(t.get('processing', "Analizando...")): # Usando t.get directamente
- doc = nlp_models[lang_code](text_input)
- metrics = analyze_text_dimensions(doc)
-
- storage_success = store_current_situation_result(
- username=st.session_state.username,
- text=text_input,
- metrics=metrics,
- feedback=None
- )
-
- if not storage_success:
- logger.warning("No se pudo guardar el análisis en la base de datos")
-
- st.session_state.current_doc = doc
- st.session_state.current_metrics = metrics
- st.session_state.show_results = True
-
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error(t.get('analysis_error', "Error al analizar el texto")) # Usando t.get directamente
-
- # Mostrar resultados en la columna derecha
- with results_col:
- if st.session_state.show_results and st.session_state.current_metrics is not None:
- # Primero los radio buttons para tipo de texto - usando t.get directamente
- st.markdown(f"### {t.get('text_type_header', 'Tipo de texto')}")
-
- # Preparar opciones de tipos de texto con nombres traducidos
- text_type_options = {}
- for text_type_key in TEXT_TYPES.keys():
- # Fallback a nombres genéricos si no hay traducción
- default_names = {
- 'academic_article': 'Academic Article' if lang_code == 'en' else 'Article Académique' if lang_code == 'fr' else 'Artigo Acadêmico' if lang_code == 'pt' else 'Artículo Académico',
- 'student_essay': 'Student Essay' if lang_code == 'en' else 'Devoir Universitaire' if lang_code == 'fr' else 'Trabalho Universitário' if lang_code == 'pt' else 'Trabajo Universitario',
- 'general_communication': 'General Communication' if lang_code == 'en' else 'Communication Générale' if lang_code == 'fr' else 'Comunicação Geral' if lang_code == 'pt' else 'Comunicación General'
- }
- text_type_options[text_type_key] = default_names.get(text_type_key, text_type_key)
-
- text_type = st.radio(
- label=t.get('text_type_header', "Tipo de texto"), # Usando t.get directamente
- options=list(TEXT_TYPES.keys()),
- format_func=lambda x: text_type_options.get(x, x),
- horizontal=True,
- key="text_type_radio",
- label_visibility="collapsed",
- help=t.get('text_type_help', "Selecciona el tipo de texto para ajustar los criterios de evaluación") # Usando t.get directamente
- )
-
- st.session_state.current_text_type = text_type
-
- # Crear subtabs con nombres traducidos
- diagnosis_tab = "Diagnosis" if lang_code == 'en' else "Diagnostic" if lang_code == 'fr' else "Diagnóstico" if lang_code == 'pt' else "Diagnóstico"
- recommendations_tab = "Recommendations" if lang_code == 'en' else "Recommandations" if lang_code == 'fr' else "Recomendações" if lang_code == 'pt' else "Recomendaciones"
-
- subtab1, subtab2 = st.tabs([diagnosis_tab, recommendations_tab])
-
- # Mostrar resultados en el primer subtab
- with subtab1:
- display_diagnosis(
- metrics=st.session_state.current_metrics,
- text_type=text_type,
- lang_code=lang_code,
- t=t # Pasar t directamente, no current_situation_t
- )
-
- # Mostrar recomendaciones en el segundo subtab
- with subtab2:
- # Llamar directamente a la función de recomendaciones personalizadas
- display_personalized_recommendations(
- text=text_input,
- metrics=st.session_state.current_metrics,
- text_type=text_type,
- lang_code=lang_code,
- t=t
- )
-
- except Exception as e:
- logger.error(f"Error en interfaz principal: {str(e)}")
- st.error(t.get('error_interface', "Ocurrió un error al cargar la interfaz")) # Usando t.get directamente
-
-#################################################################
-#################################################################
-def display_diagnosis(metrics, text_type=None, lang_code='es', t=None):
- """
- Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
- """
- try:
- # Asegurar que tenemos traducciones
- if t is None:
- t = {}
-
- # Traducciones para títulos y etiquetas
- dimension_labels = {
- 'es': {
- 'title': "Tipo de texto",
- 'vocabulary': "Vocabulario",
- 'structure': "Estructura",
- 'cohesion': "Cohesión",
- 'clarity': "Claridad",
- 'improvement': "⚠️ Por mejorar",
- 'acceptable': "📈 Aceptable",
- 'optimal': "✅ Óptimo",
- 'target': "Meta: {:.2f}"
- },
- 'en': {
- 'title': "Text Type",
- 'vocabulary': "Vocabulary",
- 'structure': "Structure",
- 'cohesion': "Cohesion",
- 'clarity': "Clarity",
- 'improvement': "⚠️ Needs improvement",
- 'acceptable': "📈 Acceptable",
- 'optimal': "✅ Optimal",
- 'target': "Target: {:.2f}"
- },
- 'fr': {
- 'title': "Type de texte",
- 'vocabulary': "Vocabulaire",
- 'structure': "Structure",
- 'cohesion': "Cohésion",
- 'clarity': "Clarté",
- 'improvement': "⚠️ À améliorer",
- 'acceptable': "📈 Acceptable",
- 'optimal': "✅ Optimal",
- 'target': "Objectif: {:.2f}"
- },
- 'pt': {
- 'title': "Tipo de texto",
- 'vocabulary': "Vocabulário",
- 'structure': "Estrutura",
- 'cohesion': "Coesão",
- 'clarity': "Clareza",
- 'improvement': "⚠️ Precisa melhorar",
- 'acceptable': "📈 Aceitável",
- 'optimal': "✅ Ótimo",
- 'target': "Meta: {:.2f}"
- }
- }
-
- # Obtener traducciones para el idioma actual, con fallback a español
- labels = dimension_labels.get(lang_code, dimension_labels['es'])
-
- # Usar valor por defecto si no se especifica tipo
- text_type = text_type or 'student_essay'
-
- # Obtener umbrales según el tipo de texto
- thresholds = TEXT_TYPES[text_type]['thresholds']
-
- # Crear dos columnas para las métricas y el gráfico
- metrics_col, graph_col = st.columns([1, 1.5])
-
- # Columna de métricas
- with metrics_col:
- metrics_config = [
- {
- 'label': labels['vocabulary'],
- 'key': 'vocabulary',
- 'value': metrics['vocabulary']['normalized_score'],
- 'help': t.get('vocabulary_help', "Riqueza y variedad del vocabulario"),
- 'thresholds': thresholds['vocabulary']
- },
- {
- 'label': labels['structure'],
- 'key': 'structure',
- 'value': metrics['structure']['normalized_score'],
- 'help': t.get('structure_help', "Organización y complejidad de oraciones"),
- 'thresholds': thresholds['structure']
- },
- {
- 'label': labels['cohesion'],
- 'key': 'cohesion',
- 'value': metrics['cohesion']['normalized_score'],
- 'help': t.get('cohesion_help', "Conexión y fluidez entre ideas"),
- 'thresholds': thresholds['cohesion']
- },
- {
- 'label': labels['clarity'],
- 'key': 'clarity',
- 'value': metrics['clarity']['normalized_score'],
- 'help': t.get('clarity_help', "Facilidad de comprensión del texto"),
- 'thresholds': thresholds['clarity']
- }
- ]
-
- # Mostrar métricas con textos traducidos
- for metric in metrics_config:
- value = metric['value']
- if value < metric['thresholds']['min']:
- status = labels['improvement']
- color = "inverse"
- elif value < metric['thresholds']['target']:
- status = labels['acceptable']
- color = "off"
- else:
- status = labels['optimal']
- color = "normal"
-
- target_text = labels['target'].format(metric['thresholds']['target'])
-
- st.metric(
- metric['label'],
- f"{value:.2f}",
- f"{status} ({target_text})",
- delta_color=color,
- help=metric['help']
- )
- st.markdown("", unsafe_allow_html=True)
-
- # Gráfico radar en la columna derecha
- with graph_col:
- display_radar_chart(metrics_config, thresholds, lang_code) # Pasar el parámetro lang_code
-
- except Exception as e:
- logger.error(f"Error mostrando resultados: {str(e)}")
- st.error(t.get('error_results', "Error al mostrar los resultados"))
-
-##################################################################
-##################################################################
-def display_radar_chart(metrics_config, thresholds, lang_code='es'):
- """
- Muestra el gráfico radar con los resultados.
- """
- try:
- # Traducción de las etiquetas de leyenda según el idioma
- legend_translations = {
- 'es': {'min': 'Mínimo', 'target': 'Meta', 'user': 'Tu escritura'},
- 'en': {'min': 'Minimum', 'target': 'Target', 'user': 'Your writing'},
- 'fr': {'min': 'Minimum', 'target': 'Objectif', 'user': 'Votre écriture'},
- 'pt': {'min': 'Mínimo', 'target': 'Meta', 'user': 'Sua escrita'}
- }
-
- # Usar español por defecto si el idioma no está soportado
- translations = legend_translations.get(lang_code, legend_translations['es'])
-
- # Preparar datos para el gráfico
- categories = [m['label'] for m in metrics_config]
- values_user = [m['value'] for m in metrics_config]
- min_values = [m['thresholds']['min'] for m in metrics_config]
- target_values = [m['thresholds']['target'] for m in metrics_config]
-
- # Crear y configurar gráfico
- fig = plt.figure(figsize=(8, 8))
- ax = fig.add_subplot(111, projection='polar')
-
- # Configurar radar
- angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
- angles += angles[:1]
- values_user += values_user[:1]
- min_values += min_values[:1]
- target_values += target_values[:1]
-
- # Configurar ejes
- ax.set_xticks(angles[:-1])
- ax.set_xticklabels(categories, fontsize=10)
- circle_ticks = np.arange(0, 1.1, 0.2)
- ax.set_yticks(circle_ticks)
- ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
- ax.set_ylim(0, 1)
-
- # Dibujar áreas de umbrales con etiquetas traducidas
- ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1, label=translations['min'], alpha=0.5)
- ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1, label=translations['target'], alpha=0.5)
- ax.fill_between(angles, target_values, [1]*len(angles), color='#2ecc71', alpha=0.1)
- ax.fill_between(angles, [0]*len(angles), min_values, color='#e74c3c', alpha=0.1)
-
- # Dibujar valores del usuario con etiqueta traducida
- ax.plot(angles, values_user, '#3498db', linewidth=2, label=translations['user'])
- ax.fill(angles, values_user, '#3498db', alpha=0.2)
-
- # Ajustar leyenda
- ax.legend(
- loc='upper right',
- bbox_to_anchor=(1.3, 1.1),
- fontsize=10,
- frameon=True,
- facecolor='white',
- edgecolor='none',
- shadow=True
- )
-
- plt.tight_layout()
- st.pyplot(fig)
- plt.close()
-
- except Exception as e:
- logger.error(f"Error mostrando gráfico radar: {str(e)}")
+# modules/studentact/current_situation_interface.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+import matplotlib.pyplot as plt
+import numpy as np
+from ..database.current_situation_mongo_db import store_current_situation_result
+
+# Importaciones locales
+from translations import get_translations
+
+# Importamos la función de recomendaciones personalizadas si existe
+try:
+ from .claude_recommendations import display_personalized_recommendations
+except ImportError:
+ # Si no existe el módulo, definimos una función placeholder
+ def display_personalized_recommendations(text, metrics, text_type, lang_code, t):
+ # Obtener el mensaje de advertencia traducido si está disponible
+ warning = t.get('module_not_available', "Módulo de recomendaciones personalizadas no disponible. Por favor, contacte al administrador.")
+ st.warning(warning)
+
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ analyze_clarity,
+ analyze_vocabulary_diversity,
+ analyze_cohesion,
+ analyze_structure,
+ get_dependency_depths,
+ normalize_score,
+ generate_sentence_graphs,
+ generate_word_connections,
+ generate_connection_paths,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap
+)
+
+# Configuración del estilo de matplotlib para el gráfico de radar
+plt.rcParams['font.family'] = 'sans-serif'
+plt.rcParams['axes.grid'] = True
+plt.rcParams['axes.spines.top'] = False
+plt.rcParams['axes.spines.right'] = False
+
+logger = logging.getLogger(__name__)
+
+# Definición de tipos de texto con umbrales
+TEXT_TYPES = {
+ 'academic_article': {
+ # Los nombres se obtendrán de las traducciones
+ 'thresholds': {
+ 'vocabulary': {'min': 0.70, 'target': 0.85},
+ 'structure': {'min': 0.75, 'target': 0.90},
+ 'cohesion': {'min': 0.65, 'target': 0.80},
+ 'clarity': {'min': 0.70, 'target': 0.85}
+ }
+ },
+ 'student_essay': {
+ 'thresholds': {
+ 'vocabulary': {'min': 0.60, 'target': 0.75},
+ 'structure': {'min': 0.65, 'target': 0.80},
+ 'cohesion': {'min': 0.55, 'target': 0.70},
+ 'clarity': {'min': 0.60, 'target': 0.75}
+ }
+ },
+ 'general_communication': {
+ 'thresholds': {
+ 'vocabulary': {'min': 0.50, 'target': 0.65},
+ 'structure': {'min': 0.55, 'target': 0.70},
+ 'cohesion': {'min': 0.45, 'target': 0.60},
+ 'clarity': {'min': 0.50, 'target': 0.65}
+ }
+ }
+}
+
+####################################################
+####################################################
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ Interfaz simplificada con gráfico de radar para visualizar métricas.
+ """
+ # Agregar logs para depuración
+ logger.info(f"Idioma: {lang_code}")
+ logger.info(f"Claves en t: {list(t.keys())}")
+
+ # Inicializar estados si no existen
+ if 'text_input' not in st.session_state:
+ st.session_state.text_input = ""
+ if 'text_area' not in st.session_state:
+ st.session_state.text_area = ""
+ if 'show_results' not in st.session_state:
+ st.session_state.show_results = False
+ if 'current_doc' not in st.session_state:
+ st.session_state.current_doc = None
+ if 'current_metrics' not in st.session_state:
+ st.session_state.current_metrics = None
+ if 'current_recommendations' not in st.session_state:
+ st.session_state.current_recommendations = None
+
+ try:
+ # Container principal con dos columnas
+ with st.container():
+ input_col, results_col = st.columns([1,2])
+
+###############################################################################################
+ # CSS personalizado para que el formulario ocupe todo el alto disponible
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+###############################################################################################
+ with input_col:
+ with st.form(key=f"text_input_form_{lang_code}"):
+ text_input = st.text_area(
+ t.get('input_prompt', "Escribe o pega tu texto aquí:"),
+ height=800,
+ key=f"text_area_{lang_code}",
+ value=st.session_state.text_input,
+ help=t.get('help', "Este texto será analizado para darte recomendaciones personalizadas")
+ )
+
+ submit_button = st.form_submit_button(
+ t.get('analyze_button', "Analizar mi escritura"),
+ type="primary",
+ use_container_width=True
+ )
+
+ if submit_button:
+ if text_input.strip():
+ st.session_state.text_input = text_input
+
+#######################################################################
+ # Código para análisis...
+ try:
+ with st.spinner(t.get('processing', "Analizando...")): # Usando t.get directamente
+ doc = nlp_models[lang_code](text_input)
+ metrics = analyze_text_dimensions(doc)
+
+ storage_success = store_current_situation_result(
+ username=st.session_state.username,
+ text=text_input,
+ metrics=metrics,
+ feedback=None
+ )
+
+ if not storage_success:
+ logger.warning("No se pudo guardar el análisis en la base de datos")
+
+ st.session_state.current_doc = doc
+ st.session_state.current_metrics = metrics
+ st.session_state.show_results = True
+
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error(t.get('analysis_error', "Error al analizar el texto")) # Usando t.get directamente
+
+ # Mostrar resultados en la columna derecha
+ with results_col:
+ if st.session_state.show_results and st.session_state.current_metrics is not None:
+ # Primero los radio buttons para tipo de texto - usando t.get directamente
+ st.markdown(f"### {t.get('text_type_header', 'Tipo de texto')}")
+
+ # Preparar opciones de tipos de texto con nombres traducidos
+ text_type_options = {}
+ for text_type_key in TEXT_TYPES.keys():
+ # Fallback a nombres genéricos si no hay traducción
+ default_names = {
+ 'academic_article': 'Academic Article' if lang_code == 'en' else 'Article Académique' if lang_code == 'fr' else 'Artigo Acadêmico' if lang_code == 'pt' else 'Artículo Académico',
+ 'student_essay': 'Student Essay' if lang_code == 'en' else 'Devoir Universitaire' if lang_code == 'fr' else 'Trabalho Universitário' if lang_code == 'pt' else 'Trabajo Universitario',
+ 'general_communication': 'General Communication' if lang_code == 'en' else 'Communication Générale' if lang_code == 'fr' else 'Comunicação Geral' if lang_code == 'pt' else 'Comunicación General'
+ }
+ text_type_options[text_type_key] = default_names.get(text_type_key, text_type_key)
+
+ text_type = st.radio(
+ label=t.get('text_type_header', "Tipo de texto"), # Usando t.get directamente
+ options=list(TEXT_TYPES.keys()),
+ format_func=lambda x: text_type_options.get(x, x),
+ horizontal=True,
+ key="text_type_radio",
+ label_visibility="collapsed",
+ help=t.get('text_type_help', "Selecciona el tipo de texto para ajustar los criterios de evaluación") # Usando t.get directamente
+ )
+
+ st.session_state.current_text_type = text_type
+
+ # Crear subtabs con nombres traducidos
+ diagnosis_tab = "Diagnosis" if lang_code == 'en' else "Diagnostic" if lang_code == 'fr' else "Diagnóstico" if lang_code == 'pt' else "Diagnóstico"
+ recommendations_tab = "Recommendations" if lang_code == 'en' else "Recommandations" if lang_code == 'fr' else "Recomendações" if lang_code == 'pt' else "Recomendaciones"
+
+ subtab1, subtab2 = st.tabs([diagnosis_tab, recommendations_tab])
+
+ # Mostrar resultados en el primer subtab
+ with subtab1:
+ display_diagnosis(
+ metrics=st.session_state.current_metrics,
+ text_type=text_type,
+ lang_code=lang_code,
+ t=t # Pasar t directamente, no current_situation_t
+ )
+
+ # Mostrar recomendaciones en el segundo subtab
+ with subtab2:
+ # Llamar directamente a la función de recomendaciones personalizadas
+ display_personalized_recommendations(
+ text=text_input,
+ metrics=st.session_state.current_metrics,
+ text_type=text_type,
+ lang_code=lang_code,
+ t=t
+ )
+
+ except Exception as e:
+ logger.error(f"Error en interfaz principal: {str(e)}")
+ st.error(t.get('error_interface', "Ocurrió un error al cargar la interfaz")) # Usando t.get directamente
+
+#################################################################
+#################################################################
+def display_diagnosis(metrics, text_type=None, lang_code='es', t=None):
+ """
+ Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
+ """
+ try:
+ # Asegurar que tenemos traducciones
+ if t is None:
+ t = {}
+
+ # Traducciones para títulos y etiquetas
+ dimension_labels = {
+ 'es': {
+ 'title': "Tipo de texto",
+ 'vocabulary': "Vocabulario",
+ 'structure': "Estructura",
+ 'cohesion': "Cohesión",
+ 'clarity': "Claridad",
+ 'improvement': "⚠️ Por mejorar",
+ 'acceptable': "📈 Aceptable",
+ 'optimal': "✅ Óptimo",
+ 'target': "Meta: {:.2f}"
+ },
+ 'en': {
+ 'title': "Text Type",
+ 'vocabulary': "Vocabulary",
+ 'structure': "Structure",
+ 'cohesion': "Cohesion",
+ 'clarity': "Clarity",
+ 'improvement': "⚠️ Needs improvement",
+ 'acceptable': "📈 Acceptable",
+ 'optimal': "✅ Optimal",
+ 'target': "Target: {:.2f}"
+ },
+ 'fr': {
+ 'title': "Type de texte",
+ 'vocabulary': "Vocabulaire",
+ 'structure': "Structure",
+ 'cohesion': "Cohésion",
+ 'clarity': "Clarté",
+ 'improvement': "⚠️ À améliorer",
+ 'acceptable': "📈 Acceptable",
+ 'optimal': "✅ Optimal",
+ 'target': "Objectif: {:.2f}"
+ },
+ 'pt': {
+ 'title': "Tipo de texto",
+ 'vocabulary': "Vocabulário",
+ 'structure': "Estrutura",
+ 'cohesion': "Coesão",
+ 'clarity': "Clareza",
+ 'improvement': "⚠️ Precisa melhorar",
+ 'acceptable': "📈 Aceitável",
+ 'optimal': "✅ Ótimo",
+ 'target': "Meta: {:.2f}"
+ }
+ }
+
+ # Obtener traducciones para el idioma actual, con fallback a español
+ labels = dimension_labels.get(lang_code, dimension_labels['es'])
+
+ # Usar valor por defecto si no se especifica tipo
+ text_type = text_type or 'student_essay'
+
+ # Obtener umbrales según el tipo de texto
+ thresholds = TEXT_TYPES[text_type]['thresholds']
+
+ # Crear dos columnas para las métricas y el gráfico
+ metrics_col, graph_col = st.columns([1, 1.5])
+
+ # Columna de métricas
+ with metrics_col:
+ metrics_config = [
+ {
+ 'label': labels['vocabulary'],
+ 'key': 'vocabulary',
+ 'value': metrics['vocabulary']['normalized_score'],
+ 'help': t.get('vocabulary_help', "Riqueza y variedad del vocabulario"),
+ 'thresholds': thresholds['vocabulary']
+ },
+ {
+ 'label': labels['structure'],
+ 'key': 'structure',
+ 'value': metrics['structure']['normalized_score'],
+ 'help': t.get('structure_help', "Organización y complejidad de oraciones"),
+ 'thresholds': thresholds['structure']
+ },
+ {
+ 'label': labels['cohesion'],
+ 'key': 'cohesion',
+ 'value': metrics['cohesion']['normalized_score'],
+ 'help': t.get('cohesion_help', "Conexión y fluidez entre ideas"),
+ 'thresholds': thresholds['cohesion']
+ },
+ {
+ 'label': labels['clarity'],
+ 'key': 'clarity',
+ 'value': metrics['clarity']['normalized_score'],
+ 'help': t.get('clarity_help', "Facilidad de comprensión del texto"),
+ 'thresholds': thresholds['clarity']
+ }
+ ]
+
+ # Mostrar métricas con textos traducidos
+ for metric in metrics_config:
+ value = metric['value']
+ if value < metric['thresholds']['min']:
+ status = labels['improvement']
+ color = "inverse"
+ elif value < metric['thresholds']['target']:
+ status = labels['acceptable']
+ color = "off"
+ else:
+ status = labels['optimal']
+ color = "normal"
+
+ target_text = labels['target'].format(metric['thresholds']['target'])
+
+ st.metric(
+ metric['label'],
+ f"{value:.2f}",
+ f"{status} ({target_text})",
+ delta_color=color,
+ help=metric['help']
+ )
+ st.markdown("", unsafe_allow_html=True)
+
+ # Gráfico radar en la columna derecha
+ with graph_col:
+ display_radar_chart(metrics_config, thresholds, lang_code) # Pasar el parámetro lang_code
+
+ except Exception as e:
+ logger.error(f"Error mostrando resultados: {str(e)}")
+ st.error(t.get('error_results', "Error al mostrar los resultados"))
+
+##################################################################
+##################################################################
+def display_radar_chart(metrics_config, thresholds, lang_code='es'):
+ """
+ Muestra el gráfico radar con los resultados.
+ """
+ try:
+ # Traducción de las etiquetas de leyenda según el idioma
+ legend_translations = {
+ 'es': {'min': 'Mínimo', 'target': 'Meta', 'user': 'Tu escritura'},
+ 'en': {'min': 'Minimum', 'target': 'Target', 'user': 'Your writing'},
+ 'fr': {'min': 'Minimum', 'target': 'Objectif', 'user': 'Votre écriture'},
+ 'pt': {'min': 'Mínimo', 'target': 'Meta', 'user': 'Sua escrita'}
+ }
+
+ # Usar español por defecto si el idioma no está soportado
+ translations = legend_translations.get(lang_code, legend_translations['es'])
+
+ # Preparar datos para el gráfico
+ categories = [m['label'] for m in metrics_config]
+ values_user = [m['value'] for m in metrics_config]
+ min_values = [m['thresholds']['min'] for m in metrics_config]
+ target_values = [m['thresholds']['target'] for m in metrics_config]
+
+ # Crear y configurar gráfico
+ fig = plt.figure(figsize=(8, 8))
+ ax = fig.add_subplot(111, projection='polar')
+
+ # Configurar radar
+ angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
+ angles += angles[:1]
+ values_user += values_user[:1]
+ min_values += min_values[:1]
+ target_values += target_values[:1]
+
+ # Configurar ejes
+ ax.set_xticks(angles[:-1])
+ ax.set_xticklabels(categories, fontsize=10)
+ circle_ticks = np.arange(0, 1.1, 0.2)
+ ax.set_yticks(circle_ticks)
+ ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
+ ax.set_ylim(0, 1)
+
+ # Dibujar áreas de umbrales con etiquetas traducidas
+ ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1, label=translations['min'], alpha=0.5)
+ ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1, label=translations['target'], alpha=0.5)
+ ax.fill_between(angles, target_values, [1]*len(angles), color='#2ecc71', alpha=0.1)
+ ax.fill_between(angles, [0]*len(angles), min_values, color='#e74c3c', alpha=0.1)
+
+ # Dibujar valores del usuario con etiqueta traducida
+ ax.plot(angles, values_user, '#3498db', linewidth=2, label=translations['user'])
+ ax.fill(angles, values_user, '#3498db', alpha=0.2)
+
+ # Ajustar leyenda
+ ax.legend(
+ loc='upper right',
+ bbox_to_anchor=(1.3, 1.1),
+ fontsize=10,
+ frameon=True,
+ facecolor='white',
+ edgecolor='none',
+ shadow=True
+ )
+
+ plt.tight_layout()
+ st.pyplot(fig)
+ plt.close()
+
+ except Exception as e:
+ logger.error(f"Error mostrando gráfico radar: {str(e)}")
st.error("Error al mostrar el gráfico")
\ No newline at end of file
diff --git a/modules/studentact/student_activities.py b/modules/studentact/student_activities.py
index 092639ee181ba48f703e6667d25e3c7a3f26e75e..40b8e2a4ed849660561e2e7fb030d269f9080c07 100644
--- a/modules/studentact/student_activities.py
+++ b/modules/studentact/student_activities.py
@@ -1,111 +1,111 @@
-#modules/studentact/student_activities.py
-
-import streamlit as st
-import pandas as pd
-import matplotlib.pyplot as plt
-import seaborn as sns
-import base64
-from io import BytesIO
-from reportlab.pdfgen import canvas
-from reportlab.lib.pagesizes import letter
-from docx import Document
-from odf.opendocument import OpenDocumentText
-from odf.text import P
-from datetime import datetime, timedelta
-import pytz
-import logging
-
-# Configuración de logging
-logging.basicConfig(level=logging.DEBUG)
-logger = logging.getLogger(__name__)
-
-# Importaciones locales
-try:
- from ..database.morphosintax_mongo_db import get_student_morphosyntax_data
- from ..database.semantic_mongo_db import get_student_semantic_data
- from ..database.discourse_mongo_db import get_student_discourse_data
-
- from ..database.chat_mongo_db import get_chat_history
-
- logger.info("Importaciones locales exitosas")
-except ImportError as e:
- logger.error(f"Error en las importaciones locales: {e}")
-
-def display_student_progress(username, lang_code, t):
- logger.debug(f"Iniciando display_student_progress para {username}")
-
- st.title(f"{t.get('progress_of', 'Progreso de')} {username}")
-
- # Obtener los datos del estudiante
- student_data = get_student_morphosyntax_data(username)
-
- if not student_data or len(student_data.get('entries', [])) == 0:
- logger.warning(f"No se encontraron datos para el estudiante {username}")
- st.warning(t.get("no_data_warning", "No se encontraron datos para este estudiante."))
- st.info(t.get("try_analysis", "Intenta realizar algunos análisis de texto primero."))
- return
-
- logger.debug(f"Datos del estudiante obtenidos: {len(student_data['entries'])} entradas")
-
- # Resumen de actividades
- with st.expander(t.get("activities_summary", "Resumen de Actividades"), expanded=True):
- total_entries = len(student_data['entries'])
- st.write(f"{t.get('total_analyses', 'Total de análisis realizados')}: {total_entries}")
-
- # Gráfico de tipos de análisis
- try:
- analysis_types = [entry.get('analysis_type', 'unknown') for entry in student_data['entries']]
- analysis_counts = pd.Series(analysis_types).value_counts()
- fig, ax = plt.subplots()
- sns.barplot(x=analysis_counts.index, y=analysis_counts.values, ax=ax)
- ax.set_title(t.get("analysis_types_chart", "Tipos de análisis realizados"))
- ax.set_xlabel(t.get("analysis_type", "Tipo de análisis"))
- ax.set_ylabel(t.get("count", "Cantidad"))
- st.pyplot(fig)
- except Exception as e:
- logger.error(f"Error al crear el gráfico: {e}")
- st.error("No se pudo crear el gráfico de tipos de análisis.")
-
- # Función para generar el contenido del archivo de actividades de las últimas 48 horas
- def generate_activity_content_48h():
- content = f"Actividades de {username} en las últimas 48 horas\n\n"
-
- two_days_ago = datetime.now(pytz.utc) - timedelta(days=2)
-
- try:
- morphosyntax_analyses = get_student_morphosyntax_data(username)
- recent_morphosyntax = [a for a in morphosyntax_analyses if datetime.fromisoformat(a['timestamp']) > two_days_ago]
-
- content += f"Análisis morfosintácticos: {len(recent_morphosyntax)}\n"
- for analysis in recent_morphosyntax:
- content += f"- Análisis del {analysis['timestamp']}: {analysis['text'][:50]}...\n"
-
- chat_history = get_chat_history(username, None)
- recent_chats = [c for c in chat_history if datetime.fromisoformat(c['timestamp']) > two_days_ago]
-
- content += f"\nConversaciones de chat: {len(recent_chats)}\n"
- for chat in recent_chats:
- content += f"- Chat del {chat['timestamp']}: {len(chat['messages'])} mensajes\n"
- except Exception as e:
- logger.error(f"Error al generar el contenido de actividades: {e}")
- content += "Error al recuperar los datos de actividades.\n"
-
- return content
-
- # Botones para descargar el histórico de actividades de las últimas 48 horas
- st.subheader(t.get("download_history_48h", "Descargar Histórico de Actividades (Últimas 48 horas)"))
- if st.button("Generar reporte de 48 horas"):
- try:
- report_content = generate_activity_content_48h()
- st.text_area("Reporte de 48 horas", report_content, height=300)
- st.download_button(
- label="Descargar TXT (48h)",
- data=report_content,
- file_name="actividades_48h.txt",
- mime="text/plain"
- )
- except Exception as e:
- logger.error(f"Error al generar el reporte: {e}")
- st.error("No se pudo generar el reporte. Por favor, verifica los logs para más detalles.")
-
+#modules/studentact/student_activities.py
+
+import streamlit as st
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+import base64
+from io import BytesIO
+from reportlab.pdfgen import canvas
+from reportlab.lib.pagesizes import letter
+from docx import Document
+from odf.opendocument import OpenDocumentText
+from odf.text import P
+from datetime import datetime, timedelta
+import pytz
+import logging
+
+# Configuración de logging
+logging.basicConfig(level=logging.DEBUG)
+logger = logging.getLogger(__name__)
+
+# Importaciones locales
+try:
+ from ..database.morphosintax_mongo_db import get_student_morphosyntax_data
+ from ..database.semantic_mongo_db import get_student_semantic_data
+ from ..database.discourse_mongo_db import get_student_discourse_data
+
+ from ..database.chat_mongo_db import get_chat_history
+
+ logger.info("Importaciones locales exitosas")
+except ImportError as e:
+ logger.error(f"Error en las importaciones locales: {e}")
+
+def display_student_progress(username, lang_code, t):
+ logger.debug(f"Iniciando display_student_progress para {username}")
+
+ st.title(f"{t.get('progress_of', 'Progreso de')} {username}")
+
+ # Obtener los datos del estudiante
+ student_data = get_student_morphosyntax_data(username)
+
+ if not student_data or len(student_data.get('entries', [])) == 0:
+ logger.warning(f"No se encontraron datos para el estudiante {username}")
+ st.warning(t.get("no_data_warning", "No se encontraron datos para este estudiante."))
+ st.info(t.get("try_analysis", "Intenta realizar algunos análisis de texto primero."))
+ return
+
+ logger.debug(f"Datos del estudiante obtenidos: {len(student_data['entries'])} entradas")
+
+ # Resumen de actividades
+ with st.expander(t.get("activities_summary", "Resumen de Actividades"), expanded=True):
+ total_entries = len(student_data['entries'])
+ st.write(f"{t.get('total_analyses', 'Total de análisis realizados')}: {total_entries}")
+
+ # Gráfico de tipos de análisis
+ try:
+ analysis_types = [entry.get('analysis_type', 'unknown') for entry in student_data['entries']]
+ analysis_counts = pd.Series(analysis_types).value_counts()
+ fig, ax = plt.subplots()
+ sns.barplot(x=analysis_counts.index, y=analysis_counts.values, ax=ax)
+ ax.set_title(t.get("analysis_types_chart", "Tipos de análisis realizados"))
+ ax.set_xlabel(t.get("analysis_type", "Tipo de análisis"))
+ ax.set_ylabel(t.get("count", "Cantidad"))
+ st.pyplot(fig)
+ except Exception as e:
+ logger.error(f"Error al crear el gráfico: {e}")
+ st.error("No se pudo crear el gráfico de tipos de análisis.")
+
+ # Función para generar el contenido del archivo de actividades de las últimas 48 horas
+ def generate_activity_content_48h():
+ content = f"Actividades de {username} en las últimas 48 horas\n\n"
+
+ two_days_ago = datetime.now(pytz.utc) - timedelta(days=2)
+
+ try:
+ morphosyntax_analyses = get_student_morphosyntax_data(username)
+ recent_morphosyntax = [a for a in morphosyntax_analyses if datetime.fromisoformat(a['timestamp']) > two_days_ago]
+
+ content += f"Análisis morfosintácticos: {len(recent_morphosyntax)}\n"
+ for analysis in recent_morphosyntax:
+ content += f"- Análisis del {analysis['timestamp']}: {analysis['text'][:50]}...\n"
+
+ chat_history = get_chat_history(username, None)
+ recent_chats = [c for c in chat_history if datetime.fromisoformat(c['timestamp']) > two_days_ago]
+
+ content += f"\nConversaciones de chat: {len(recent_chats)}\n"
+ for chat in recent_chats:
+ content += f"- Chat del {chat['timestamp']}: {len(chat['messages'])} mensajes\n"
+ except Exception as e:
+ logger.error(f"Error al generar el contenido de actividades: {e}")
+ content += "Error al recuperar los datos de actividades.\n"
+
+ return content
+
+ # Botones para descargar el histórico de actividades de las últimas 48 horas
+ st.subheader(t.get("download_history_48h", "Descargar Histórico de Actividades (Últimas 48 horas)"))
+ if st.button("Generar reporte de 48 horas"):
+ try:
+ report_content = generate_activity_content_48h()
+ st.text_area("Reporte de 48 horas", report_content, height=300)
+ st.download_button(
+ label="Descargar TXT (48h)",
+ data=report_content,
+ file_name="actividades_48h.txt",
+ mime="text/plain"
+ )
+ except Exception as e:
+ logger.error(f"Error al generar el reporte: {e}")
+ st.error("No se pudo generar el reporte. Por favor, verifica los logs para más detalles.")
+
logger.debug("Finalizando display_student_progress")
\ No newline at end of file
diff --git a/modules/studentact/student_activities_v2-complet.py b/modules/studentact/student_activities_v2-complet.py
index 836416e10ad01171860e2ba25ab61a91e5c9840f..638797e45d311fa223873be6058fb6093a4fbcc8 100644
--- a/modules/studentact/student_activities_v2-complet.py
+++ b/modules/studentact/student_activities_v2-complet.py
@@ -1,794 +1,794 @@
-##############
-###modules/studentact/student_activities_v2.py
-
-import streamlit as st
-import re
-import io
-from io import BytesIO
-import pandas as pd
-import numpy as np
-import time
-import matplotlib.pyplot as plt
-from datetime import datetime
-from spacy import displacy
-import random
-import base64
-import seaborn as sns
-import logging
-
-# Importaciones de la base de datos
-from ..database.morphosintax_mongo_db import get_student_morphosyntax_analysis
-from ..database.semantic_mongo_db import get_student_semantic_analysis
-from ..database.discourse_mongo_db import get_student_discourse_analysis
-from ..database.chat_mongo_db import get_chat_history
-
-logger = logging.getLogger(__name__)
-
-###################################################################################
-
-def display_student_activities(username: str, lang_code: str, t: dict):
- """
- Muestra todas las actividades del estudiante
- Args:
- username: Nombre del estudiante
- lang_code: Código del idioma
- t: Diccionario de traducciones
- """
- try:
- st.header(t.get('activities_title', 'Mis Actividades'))
-
- # Tabs para diferentes tipos de análisis
- tabs = st.tabs([
- t.get('morpho_activities', 'Análisis Morfosintáctico'),
- t.get('semantic_activities', 'Análisis Semántico'),
- t.get('discourse_activities', 'Análisis del Discurso'),
- t.get('chat_activities', 'Conversaciones con el Asistente')
- ])
-
- # Tab de Análisis Morfosintáctico
- with tabs[0]:
- display_morphosyntax_activities(username, t)
-
- # Tab de Análisis Semántico
- with tabs[1]:
- display_semantic_activities(username, t)
-
- # Tab de Análisis del Discurso
- with tabs[2]:
- display_discourse_activities(username, t)
-
- # Tab de Conversaciones del Chat
- with tabs[3]:
- display_chat_activities(username, t)
-
- except Exception as e:
- logger.error(f"Error mostrando actividades: {str(e)}")
- st.error(t.get('error_loading_activities', 'Error al cargar las actividades'))
-
-
-###############################################################################################
-def display_morphosyntax_activities(username: str, t: dict):
- """Muestra actividades de análisis morfosintáctico"""
- try:
- analyses = get_student_morphosyntax_analysis(username)
- if not analyses:
- st.info(t.get('no_morpho_analyses', 'No hay análisis morfosintácticos registrados'))
- return
-
- for analysis in analyses:
- with st.expander(
- f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
- expanded=False
- ):
- st.text(f"{t.get('analyzed_text', 'Texto analizado')}:")
- st.write(analysis['text'])
-
- if 'arc_diagrams' in analysis:
- st.subheader(t.get('syntactic_diagrams', 'Diagramas sintácticos'))
- for diagram in analysis['arc_diagrams']:
- st.write(diagram, unsafe_allow_html=True)
-
- except Exception as e:
- logger.error(f"Error mostrando análisis morfosintáctico: {str(e)}")
- st.error(t.get('error_morpho', 'Error al mostrar análisis morfosintáctico'))
-
-
-###############################################################################################
-def display_semantic_activities(username: str, t: dict):
- """Muestra actividades de análisis semántico"""
- try:
- logger.info(f"Recuperando análisis semántico para {username}")
- analyses = get_student_semantic_analysis(username)
-
- if not analyses:
- logger.info("No se encontraron análisis semánticos")
- st.info(t.get('no_semantic_analyses', 'No hay análisis semánticos registrados'))
- return
-
- logger.info(f"Procesando {len(analyses)} análisis semánticos")
- for analysis in analyses:
- try:
- # Verificar campos mínimos necesarios
- if not all(key in analysis for key in ['timestamp', 'concept_graph']):
- logger.warning(f"Análisis incompleto: {analysis.keys()}")
- continue
-
- # Formatear fecha
- timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
- if analysis['concept_graph']:
- logger.debug("Decodificando gráfico de conceptos")
- try:
- image_bytes = base64.b64decode(analysis['concept_graph'])
- st.image(image_bytes, use_column_width=True)
- logger.debug("Gráfico mostrado exitosamente")
- except Exception as img_error:
- logger.error(f"Error decodificando imagen: {str(img_error)}")
- st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
- else:
- st.info(t.get('no_graph', 'No hay visualización disponible'))
-
- except Exception as e:
- logger.error(f"Error procesando análisis individual: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando análisis semántico: {str(e)}")
- st.error(t.get('error_semantic', 'Error al mostrar análisis semántico'))
-
-
-###################################################################################################
-def display_discourse_activities(username: str, t: dict):
- """Muestra actividades de análisis del discurso"""
- try:
- logger.info(f"Recuperando análisis del discurso para {username}")
- analyses = get_student_discourse_analysis(username)
-
- if not analyses:
- logger.info("No se encontraron análisis del discurso")
- st.info(t.get('no_discourse_analyses', 'No hay análisis del discurso registrados'))
- return
-
- logger.info(f"Procesando {len(analyses)} análisis del discurso")
- for analysis in analyses:
- try:
- # Verificar campos mínimos necesarios
- if not all(key in analysis for key in ['timestamp', 'combined_graph']):
- logger.warning(f"Análisis incompleto: {analysis.keys()}")
- continue
-
- # Formatear fecha
- timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
- if analysis['combined_graph']:
- logger.debug("Decodificando gráfico combinado")
- try:
- image_bytes = base64.b64decode(analysis['combined_graph'])
- st.image(image_bytes, use_column_width=True)
- logger.debug("Gráfico mostrado exitosamente")
- except Exception as img_error:
- logger.error(f"Error decodificando imagen: {str(img_error)}")
- st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
- else:
- st.info(t.get('no_visualization', 'No hay visualización comparativa disponible'))
-
- except Exception as e:
- logger.error(f"Error procesando análisis individual: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando análisis del discurso: {str(e)}")
- st.error(t.get('error_discourse', 'Error al mostrar análisis del discurso'))
-
-#################################################################################
-def display_discourse_comparison(analysis: dict, t: dict):
- """Muestra la comparación de análisis del discurso"""
- st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
-
- col1, col2 = st.columns(2)
- with col1:
- st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
- df1 = pd.DataFrame(analysis['key_concepts1'])
- st.dataframe(df1)
-
- with col2:
- st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
- df2 = pd.DataFrame(analysis['key_concepts2'])
- st.dataframe(df2)
-
-#################################################################################
-def display_chat_activities(username: str, t: dict):
- """
- Muestra historial de conversaciones del chat
- """
- try:
- # Obtener historial del chat
- chat_history = get_chat_history(
- username=username,
- analysis_type='sidebar',
- limit=50
- )
-
- if not chat_history:
- st.info(t.get('no_chat_history', 'No hay conversaciones registradas'))
- return
-
- for chat in reversed(chat_history): # Mostrar las más recientes primero
- try:
- # Convertir timestamp a datetime para formato
- timestamp = datetime.fromisoformat(chat['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- with st.expander(
- f"{t.get('chat_date', 'Fecha de conversación')}: {formatted_date}",
- expanded=False
- ):
- if 'messages' in chat and chat['messages']:
- # Mostrar cada mensaje en la conversación
- for message in chat['messages']:
- role = message.get('role', 'unknown')
- content = message.get('content', '')
-
- # Usar el componente de chat de Streamlit
- with st.chat_message(role):
- st.markdown(content)
-
- # Agregar separador entre mensajes
- st.divider()
- else:
- st.warning(t.get('invalid_chat_format', 'Formato de chat no válido'))
-
- except Exception as e:
- logger.error(f"Error mostrando conversación: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando historial del chat: {str(e)}")
- st.error(t.get('error_chat', 'Error al mostrar historial del chat'))
-
-
-
-
-
-
-
-
-
-'''
-##########versión 25-9-2024---02:30 ################ OK (username)####################
-
-def display_student_progress(username, lang_code, t, student_data):
- st.title(f"{t.get('progress_of', 'Progreso de')} {username}")
-
- if not student_data or len(student_data.get('entries', [])) == 0:
- st.warning(t.get("no_data_warning", "No se encontraron datos para este estudiante."))
- st.info(t.get("try_analysis", "Intenta realizar algunos análisis de texto primero."))
- return
-
- with st.expander(t.get("activities_summary", "Resumen de Actividades"), expanded=True):
- total_entries = len(student_data['entries'])
- st.write(f"{t.get('total_analyses', 'Total de análisis realizados')}: {total_entries}")
-
- # Gráfico de tipos de análisis
- analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
- analysis_counts = pd.Series(analysis_types).value_counts()
- fig, ax = plt.subplots()
- analysis_counts.plot(kind='bar', ax=ax)
- ax.set_title(t.get("analysis_types_chart", "Tipos de análisis realizados"))
- ax.set_xlabel(t.get("analysis_type", "Tipo de análisis"))
- ax.set_ylabel(t.get("count", "Cantidad"))
- st.pyplot(fig)
-
- # Mostrar los últimos análisis morfosintácticos
- with st.expander(t.get("morphosyntax_history", "Histórico de Análisis Morfosintácticos")):
- morphosyntax_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'morphosyntax']
- for entry in morphosyntax_entries[:5]: # Mostrar los últimos 5
- st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
- if 'arc_diagrams' in entry and entry['arc_diagrams']:
- st.components.v1.html(entry['arc_diagrams'][0], height=300, scrolling=True)
-
- # Añadir secciones similares para análisis semánticos y discursivos si es necesario
-
- # Mostrar el historial de chat
- with st.expander(t.get("chat_history", "Historial de Chat")):
- if 'chat_history' in student_data:
- for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
- st.subheader(f"{t.get('chat_from', 'Chat del')} {chat['timestamp']}")
- for message in chat['messages']:
- st.write(f"{message['role'].capitalize()}: {message['content']}")
- st.write("---")
- else:
- st.write(t.get("no_chat_history", "No hay historial de chat disponible."))
-
-
-##########versión 24-9-2024---17:30 ################ OK FROM--V2 de def get_student_data(username)####################
-
-def display_student_progress(username, lang_code, t, student_data):
- if not student_data or len(student_data['entries']) == 0:
- st.warning(t.get("no_data_warning", "No se encontraron datos para este estudiante."))
- st.info(t.get("try_analysis", "Intenta realizar algunos análisis de texto primero."))
- return
-
- st.title(f"{t.get('progress_of', 'Progreso de')} {username}")
-
- with st.expander(t.get("activities_summary", "Resumen de Actividades y Progreso"), expanded=True):
- total_entries = len(student_data['entries'])
- st.write(f"{t.get('total_analyses', 'Total de análisis realizados')}: {total_entries}")
-
- # Gráfico de tipos de análisis
- analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
- analysis_counts = pd.Series(analysis_types).value_counts()
-
- fig, ax = plt.subplots(figsize=(8, 4))
- analysis_counts.plot(kind='bar', ax=ax)
- ax.set_title(t.get("analysis_types_chart", "Tipos de análisis realizados"))
- ax.set_xlabel(t.get("analysis_type", "Tipo de análisis"))
- ax.set_ylabel(t.get("count", "Cantidad"))
- st.pyplot(fig)
-
- # Histórico de Análisis Morfosintácticos
- with st.expander(t.get("morphosyntax_history", "Histórico de Análisis Morfosintácticos")):
- morphosyntax_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'morphosyntax']
- if not morphosyntax_entries:
- st.warning("No se encontraron análisis morfosintácticos.")
- for entry in morphosyntax_entries:
- st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
- if 'arc_diagrams' in entry and entry['arc_diagrams']:
- try:
- st.write(entry['arc_diagrams'][0], unsafe_allow_html=True)
- except Exception as e:
- logger.error(f"Error al mostrar diagrama de arco: {str(e)}")
- st.error("Error al mostrar el diagrama de arco.")
- else:
- st.write(t.get("no_arc_diagram", "No se encontró diagrama de arco para este análisis."))
-
- # Histórico de Análisis Semánticos
- with st.expander(t.get("semantic_history", "Histórico de Análisis Semánticos")):
- semantic_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'semantic']
- if not semantic_entries:
- st.warning("No se encontraron análisis semánticos.")
- for entry in semantic_entries:
- st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
- if 'key_concepts' in entry:
- st.write(t.get("key_concepts", "Conceptos clave:"))
- concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in entry['key_concepts']])
- st.markdown(f"{icons[category]} {category_title}
+{category_content}
+{concepts_str}
", unsafe_allow_html=True)
- if 'graph' in entry:
- try:
- img_bytes = base64.b64decode(entry['graph'])
- st.image(img_bytes, caption=t.get("conceptual_relations_graph", "Gráfico de relaciones conceptuales"))
- except Exception as e:
- logger.error(f"Error al mostrar gráfico semántico: {str(e)}")
- st.error(t.get("graph_display_error", f"No se pudo mostrar el gráfico: {str(e)}"))
-
- # Histórico de Análisis Discursivos
- with st.expander(t.get("discourse_history", "Histórico de Análisis Discursivos")):
- discourse_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'discourse']
- for entry in discourse_entries:
- st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
- for i in [1, 2]:
- if f'key_concepts{i}' in entry:
- st.write(f"{t.get('key_concepts', 'Conceptos clave')} {t.get('document', 'documento')} {i}:")
- concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in entry[f'key_concepts{i}']])
- st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
- try:
- if 'combined_graph' in entry and entry['combined_graph']:
- img_bytes = base64.b64decode(entry['combined_graph'])
- st.image(img_bytes, caption=t.get("combined_graph", "Gráfico combinado"))
- elif 'graph1' in entry and 'graph2' in entry:
- col1, col2 = st.columns(2)
- with col1:
- if entry['graph1']:
- img_bytes1 = base64.b64decode(entry['graph1'])
- st.image(img_bytes1, caption=t.get("graph_doc1", "Gráfico documento 1"))
- with col2:
- if entry['graph2']:
- img_bytes2 = base64.b64decode(entry['graph2'])
- st.image(img_bytes2, caption=t.get("graph_doc2", "Gráfico documento 2"))
- except Exception as e:
- st.error(t.get("graph_display_error", f"No se pudieron mostrar los gráficos: {str(e)}"))
-
- # Histórico de Conversaciones con el ChatBot
- with st.expander(t.get("chatbot_history", "Histórico de Conversaciones con el ChatBot")):
- if 'chat_history' in student_data and student_data['chat_history']:
- for i, chat in enumerate(student_data['chat_history']):
- st.subheader(f"{t.get('conversation', 'Conversación')} {i+1} - {chat['timestamp']}")
- for message in chat['messages']:
- if message['role'] == 'user':
- st.write(f"{t.get('user', 'Usuario')}: {message['content']}")
- else:
- st.write(f"{t.get('assistant', 'Asistente')}: {message['content']}")
- st.write("---")
- else:
- st.write(t.get("no_chat_history", "No se encontraron conversaciones con el ChatBot."))
-
- # Añadir logs para depuración
- if st.checkbox(t.get("show_debug_data", "Mostrar datos de depuración")):
- st.write(t.get("student_debug_data", "Datos del estudiante (para depuración):"))
- st.json(student_data)
-
- # Mostrar conteo de tipos de análisis
- analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
- type_counts = {t: analysis_types.count(t) for t in set(analysis_types)}
- st.write("Conteo de tipos de análisis:")
- st.write(type_counts)
-
-
-#############################--- Update 16:00 24-9 #########################################
-def display_student_progress(username, lang_code, t, student_data):
- try:
- st.subheader(t.get('student_activities', 'Student Activitie'))
-
- if not student_data or all(len(student_data.get(key, [])) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
- st.warning(t.get('no_data_warning', 'No analysis data found for this student.'))
- return
-
- # Resumen de actividades
- total_analyses = sum(len(student_data.get(key, [])) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
- st.write(f"{t.get('total_analyses', 'Total analyses performed')}: {total_analyses}")
-
- # Gráfico de tipos de análisis
- analysis_counts = {
- t.get('morpho_analyses', 'Morphosyntactic Analyses'): len(student_data.get('morphosyntax_analyses', [])),
- t.get('semantic_analyses', 'Semantic Analyses'): len(student_data.get('semantic_analyses', [])),
- t.get('discourse_analyses', 'Discourse Analyses'): len(student_data.get('discourse_analyses', []))
- }
- # Configurar el estilo de seaborn para un aspecto más atractivo
- sns.set_style("whitegrid")
-
- # Crear una figura más pequeña
- fig, ax = plt.subplots(figsize=(6, 4))
-
- # Usar colores más atractivos
- colors = ['#ff9999', '#66b3ff', '#99ff99']
-
- # Crear el gráfico de barras
- bars = ax.bar(analysis_counts.keys(), analysis_counts.values(), color=colors)
-
- # Añadir etiquetas de valor encima de cada barra
- for bar in bars:
- height = bar.get_height()
- ax.text(bar.get_x() + bar.get_width()/2., height,
- f'{height}',
- ha='center', va='bottom')
-
- # Configurar el título y las etiquetas
- ax.set_title(t.get('analysis_types_chart', 'Types of analyses performed'), fontsize=12)
- ax.set_ylabel(t.get('count', 'Count'), fontsize=10)
-
- # Rotar las etiquetas del eje x para mejor legibilidad
- plt.xticks(rotation=45, ha='right')
-
- # Ajustar el diseño para que todo quepa
- plt.tight_layout()
-
- # Mostrar el gráfico en Streamlit
- st.pyplot(fig)
-
- # Mostrar los últimos análisis
- for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
- with st.expander(t.get(f'{analysis_type}_expander', f'{analysis_type.capitalize()} History')):
- for analysis in student_data.get(analysis_type, [])[:5]: # Mostrar los últimos 5
- st.subheader(f"{t.get('analysis_from', 'Analysis from')} {analysis.get('timestamp', 'N/A')}")
- if analysis_type == 'morphosyntax_analyses':
- if 'arc_diagrams' in analysis:
- st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
- elif analysis_type == 'semantic_analyses':
- if 'key_concepts' in analysis:
- st.write(t.get('key_concepts', 'Key concepts'))
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
- if 'graph' in analysis:
- st.image(base64.b64decode(analysis['graph']))
- elif analysis_type == 'discourse_analyses':
- for i in [1, 2]:
- if f'key_concepts{i}' in analysis:
- st.write(f"{t.get('key_concepts', 'Key concepts')} {t.get('document', 'Document')} {i}")
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
- if 'combined_graph' in analysis:
- st.image(base64.b64decode(analysis['combined_graph']))
-
- # Mostrar el historial de chat
- with st.expander(t.get('chat_history_expander', 'Chat History')):
- for chat in student_data.get('chat_history', [])[:5]: # Mostrar las últimas 5 conversaciones
- st.subheader(f"{t.get('chat_from', 'Chat from')} {chat.get('timestamp', 'N/A')}")
- for message in chat.get('messages', []):
- st.write(f"{message.get('role', 'Unknown').capitalize()}: {message.get('content', 'No content')}")
- st.write("---")
-
- except Exception as e:
- logger.error(f"Error in display_student_progress: {str(e)}", exc_info=True)
- st.error(t.get('error_loading_progress', 'Error loading student progress. Please try again later.'))
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-#####################################################################
-def display_student_progress(username, lang_code, t, student_data):
- st.subheader(t['student_progress'])
-
- if not student_data or all(len(student_data[key]) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
- st.warning(t['no_data_warning'])
- return
-
- # Resumen de actividades
- total_analyses = sum(len(student_data[key]) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
- st.write(f"{t['total_analyses']}: {total_analyses}")
-
- # Gráfico de tipos de análisis
- analysis_counts = {
- t['morpho_analyses']: len(student_data['morphosyntax_analyses']),
- t['semantic_analyses']: len(student_data['semantic_analyses']),
- t['discourse_analyses']: len(student_data['discourse_analyses'])
- }
- fig, ax = plt.subplots()
- ax.bar(analysis_counts.keys(), analysis_counts.values())
- ax.set_title(t['analysis_types_chart'])
- st.pyplot(fig)
-
- # Mostrar los últimos análisis
- for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
- with st.expander(t[f'{analysis_type}_expander']):
- for analysis in student_data[analysis_type][:5]: # Mostrar los últimos 5
- st.subheader(f"{t['analysis_from']} {analysis['timestamp']}")
- if analysis_type == 'morphosyntax_analyses':
- if 'arc_diagrams' in analysis:
- st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
- elif analysis_type == 'semantic_analyses':
- if 'key_concepts' in analysis:
- st.write(t['key_concepts'])
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
- if 'graph' in analysis:
- st.image(base64.b64decode(analysis['graph']))
- elif analysis_type == 'discourse_analyses':
- for i in [1, 2]:
- if f'key_concepts{i}' in analysis:
- st.write(f"{t['key_concepts']} {t['document']} {i}")
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
- if 'combined_graph' in analysis:
- st.image(base64.b64decode(analysis['combined_graph']))
-
- # Mostrar el historial de chat
- with st.expander(t['chat_history_expander']):
- for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
- st.subheader(f"{t['chat_from']} {chat['timestamp']}")
- for message in chat['messages']:
- st.write(f"{message['role'].capitalize()}: {message['content']}")
- st.write("---")
-
-
-
-def display_student_progress(username, lang_code, t, student_data):
- st.subheader(t['student_activities'])
-
- if not student_data or all(len(student_data[key]) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
- st.warning(t['no_data_warning'])
- return
-
- # Resumen de actividades
- total_analyses = sum(len(student_data[key]) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
- st.write(f"{t['total_analyses']}: {total_analyses}")
-
- # Gráfico de tipos de análisis
- analysis_counts = {
- t['morphological_analysis']: len(student_data['morphosyntax_analyses']),
- t['semantic_analyses']: len(student_data['semantic_analyses']),
- t['discourse_analyses']: len(student_data['discourse_analyses'])
- }
- fig, ax = plt.subplots()
- ax.bar(analysis_counts.keys(), analysis_counts.values())
- ax.set_title(t['analysis_types_chart'])
- st.pyplot(fig)
-
- # Mostrar los últimos análisis
- for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
- with st.expander(t[f'{analysis_type}_expander']):
- for analysis in student_data[analysis_type][:5]: # Mostrar los últimos 5
- st.subheader(f"{t['analysis_from']} {analysis['timestamp']}")
- if analysis_type == 'morphosyntax_analyses':
- if 'arc_diagrams' in analysis:
- st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
- elif analysis_type == 'semantic_analyses':
- if 'key_concepts' in analysis:
- st.write(t['key_concepts'])
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
- if 'graph' in analysis:
- st.image(base64.b64decode(analysis['graph']))
- elif analysis_type == 'discourse_analyses':
- for i in [1, 2]:
- if f'key_concepts{i}' in analysis:
- st.write(f"{t['key_concepts']} {t['document']} {i}")
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
- if 'combined_graph' in analysis:
- st.image(base64.b64decode(analysis['combined_graph']))
-
- # Mostrar el historial de chat
- with st.expander(t['chat_history_expander']):
- for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
- st.subheader(f"{t['chat_from']} {chat['timestamp']}")
- for message in chat['messages']:
- st.write(f"{message['role'].capitalize()}: {message['content']}")
- st.write("---")
-
-
-
-
-def display_student_progress(username, lang_code, t, student_data):
- st.subheader(t['student_activities'])
-
- if not student_data or all(len(student_data[key]) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
- st.warning(t['no_data_warning'])
- return
-
- # Resumen de actividades
- total_analyses = sum(len(student_data[key]) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
- st.write(f"{t['total_analyses']}: {total_analyses}")
-
- # Gráfico de tipos de análisis
- analysis_counts = {
- t['morphological_analysis']: len(student_data['morphosyntax_analyses']),
- t['semantic_analyses']: len(student_data['semantic_analyses']),
- t['discourse_analyses']: len(student_data['discourse_analyses'])
- }
- fig, ax = plt.subplots()
- ax.bar(analysis_counts.keys(), analysis_counts.values())
- ax.set_title(t['analysis_types_chart'])
- st.pyplot(fig)
-
- # Mostrar los últimos análisis
- for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
- with st.expander(t[f'{analysis_type}_expander']):
- for analysis in student_data[analysis_type][:5]: # Mostrar los últimos 5
- st.subheader(f"{t['analysis_from']} {analysis['timestamp']}")
- if analysis_type == 'morphosyntax_analyses':
- if 'arc_diagrams' in analysis:
- st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
- elif analysis_type == 'semantic_analyses':
- if 'key_concepts' in analysis:
- st.write(t['key_concepts'])
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
- if 'graph' in analysis:
- st.image(base64.b64decode(analysis['graph']))
- elif analysis_type == 'discourse_analyses':
- for i in [1, 2]:
- if f'key_concepts{i}' in analysis:
- st.write(f"{t['key_concepts']} {t['document']} {i}")
- st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
- if 'combined_graph' in analysis:
- st.image(base64.b64decode(analysis['combined_graph']))
-
- # Mostrar el historial de chat
- with st.expander(t['chat_history_expander']):
- for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
- st.subheader(f"{t['chat_from']} {chat['timestamp']}")
- for message in chat['messages']:
- st.write(f"{message['role'].capitalize()}: {message['content']}")
- st.write("---")
-
-
-
-
-def display_student_progress(username, lang_code, t):
- st.subheader(t['student_activities'])
- st.write(f"{t['activities_message']} {username}")
-
- # Aquí puedes agregar más contenido estático o placeholder
- st.info(t['activities_placeholder'])
-
- # Si necesitas mostrar algún dato, puedes usar datos de ejemplo o placeholders
- col1, col2, col3 = st.columns(3)
- col1.metric(t['morpho_analyses'], "5") # Ejemplo de dato
- col2.metric(t['semantic_analyses'], "3") # Ejemplo de dato
- col3.metric(t['discourse_analyses'], "2") # Ejemplo de dato
-
-
-
-def display_student_progress(username, lang_code, t):
- st.title(f"Actividades de {username}")
-
- # Obtener todos los datos del estudiante
- student_data = get_student_data(username)
-
- if not student_data or len(student_data.get('entries', [])) == 0:
- st.warning("No se encontraron datos de análisis para este estudiante.")
- st.info("Intenta realizar algunos análisis de texto primero.")
- return
-
- # Resumen de actividades
- with st.expander("Resumen de Actividades", expanded=True):
- total_entries = len(student_data['entries'])
- st.write(f"Total de análisis realizados: {total_entries}")
-
- # Gráfico de tipos de análisis
- analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
- analysis_counts = pd.Series(analysis_types).value_counts()
- fig, ax = plt.subplots()
- analysis_counts.plot(kind='bar', ax=ax)
- ax.set_title("Tipos de análisis realizados")
- ax.set_xlabel("Tipo de análisis")
- ax.set_ylabel("Cantidad")
- st.pyplot(fig)
-
- # Histórico de Análisis Morfosintácticos
- with st.expander("Histórico de Análisis Morfosintácticos"):
- morpho_analyses = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'morphosyntax']
- for analysis in morpho_analyses[:5]: # Mostrar los últimos 5
- st.subheader(f"Análisis del {analysis['timestamp']}")
- if 'arc_diagrams' in analysis:
- st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
-
- # Histórico de Análisis Semánticos
- with st.expander("Histórico de Análisis Semánticos"):
- semantic_analyses = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'semantic']
- for analysis in semantic_analyses[:5]: # Mostrar los últimos 5
- st.subheader(f"Análisis del {analysis['timestamp']}")
- if 'key_concepts' in analysis:
- concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in analysis['key_concepts']])
- st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
- if 'graph' in analysis:
- try:
- img_bytes = base64.b64decode(analysis['graph'])
- st.image(img_bytes, caption="Gráfico de relaciones conceptuales")
- except Exception as e:
- st.error(f"No se pudo mostrar el gráfico: {str(e)}")
-
- # Histórico de Análisis Discursivos
- with st.expander("Histórico de Análisis Discursivos"):
- discourse_analyses = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'discourse']
- for analysis in discourse_analyses[:5]: # Mostrar los últimos 5
- st.subheader(f"Análisis del {analysis['timestamp']}")
- for i in [1, 2]:
- if f'key_concepts{i}' in analysis:
- concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in analysis[f'key_concepts{i}']])
- st.write(f"Conceptos clave del documento {i}:")
- st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
- if 'combined_graph' in analysis:
- try:
- img_bytes = base64.b64decode(analysis['combined_graph'])
- st.image(img_bytes)
- except Exception as e:
- st.error(f"No se pudo mostrar el gráfico combinado: {str(e)}")
-
- # Histórico de Conversaciones con el ChatBot
- with st.expander("Histórico de Conversaciones con el ChatBot"):
- if 'chat_history' in student_data:
- for i, chat in enumerate(student_data['chat_history'][:5]): # Mostrar las últimas 5 conversaciones
- st.subheader(f"Conversación {i+1} - {chat['timestamp']}")
- for message in chat['messages']:
- st.write(f"{message['role'].capitalize()}: {message['content']}")
- st.write("---")
- else:
- st.write("No se encontraron conversaciones con el ChatBot.")
-
- # Opción para mostrar datos de depuración
- if st.checkbox("Mostrar datos de depuración"):
- st.write("Datos del estudiante (para depuración):")
- st.json(student_data)
-
+##############
+###modules/studentact/student_activities_v2.py
+
+import streamlit as st
+import re
+import io
+from io import BytesIO
+import pandas as pd
+import numpy as np
+import time
+import matplotlib.pyplot as plt
+from datetime import datetime
+from spacy import displacy
+import random
+import base64
+import seaborn as sns
+import logging
+
+# Importaciones de la base de datos
+from ..database.morphosintax_mongo_db import get_student_morphosyntax_analysis
+from ..database.semantic_mongo_db import get_student_semantic_analysis
+from ..database.discourse_mongo_db import get_student_discourse_analysis
+from ..database.chat_mongo_db import get_chat_history
+
+logger = logging.getLogger(__name__)
+
+###################################################################################
+
+def display_student_activities(username: str, lang_code: str, t: dict):
+ """
+ Muestra todas las actividades del estudiante
+ Args:
+ username: Nombre del estudiante
+ lang_code: Código del idioma
+ t: Diccionario de traducciones
+ """
+ try:
+ st.header(t.get('activities_title', 'Mis Actividades'))
+
+ # Tabs para diferentes tipos de análisis
+ tabs = st.tabs([
+ t.get('morpho_activities', 'Análisis Morfosintáctico'),
+ t.get('semantic_activities', 'Análisis Semántico'),
+ t.get('discourse_activities', 'Análisis del Discurso'),
+ t.get('chat_activities', 'Conversaciones con el Asistente')
+ ])
+
+ # Tab de Análisis Morfosintáctico
+ with tabs[0]:
+ display_morphosyntax_activities(username, t)
+
+ # Tab de Análisis Semántico
+ with tabs[1]:
+ display_semantic_activities(username, t)
+
+ # Tab de Análisis del Discurso
+ with tabs[2]:
+ display_discourse_activities(username, t)
+
+ # Tab de Conversaciones del Chat
+ with tabs[3]:
+ display_chat_activities(username, t)
+
+ except Exception as e:
+ logger.error(f"Error mostrando actividades: {str(e)}")
+ st.error(t.get('error_loading_activities', 'Error al cargar las actividades'))
+
+
+###############################################################################################
+def display_morphosyntax_activities(username: str, t: dict):
+ """Muestra actividades de análisis morfosintáctico"""
+ try:
+ analyses = get_student_morphosyntax_analysis(username)
+ if not analyses:
+ st.info(t.get('no_morpho_analyses', 'No hay análisis morfosintácticos registrados'))
+ return
+
+ for analysis in analyses:
+ with st.expander(
+ f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
+ expanded=False
+ ):
+ st.text(f"{t.get('analyzed_text', 'Texto analizado')}:")
+ st.write(analysis['text'])
+
+ if 'arc_diagrams' in analysis:
+ st.subheader(t.get('syntactic_diagrams', 'Diagramas sintácticos'))
+ for diagram in analysis['arc_diagrams']:
+ st.write(diagram, unsafe_allow_html=True)
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis morfosintáctico: {str(e)}")
+ st.error(t.get('error_morpho', 'Error al mostrar análisis morfosintáctico'))
+
+
+###############################################################################################
+def display_semantic_activities(username: str, t: dict):
+ """Muestra actividades de análisis semántico"""
+ try:
+ logger.info(f"Recuperando análisis semántico para {username}")
+ analyses = get_student_semantic_analysis(username)
+
+ if not analyses:
+ logger.info("No se encontraron análisis semánticos")
+ st.info(t.get('no_semantic_analyses', 'No hay análisis semánticos registrados'))
+ return
+
+ logger.info(f"Procesando {len(analyses)} análisis semánticos")
+ for analysis in analyses:
+ try:
+ # Verificar campos mínimos necesarios
+ if not all(key in analysis for key in ['timestamp', 'concept_graph']):
+ logger.warning(f"Análisis incompleto: {analysis.keys()}")
+ continue
+
+ # Formatear fecha
+ timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
+ if analysis['concept_graph']:
+ logger.debug("Decodificando gráfico de conceptos")
+ try:
+ image_bytes = base64.b64decode(analysis['concept_graph'])
+ st.image(image_bytes, use_column_width=True)
+ logger.debug("Gráfico mostrado exitosamente")
+ except Exception as img_error:
+ logger.error(f"Error decodificando imagen: {str(img_error)}")
+ st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
+ else:
+ st.info(t.get('no_graph', 'No hay visualización disponible'))
+
+ except Exception as e:
+ logger.error(f"Error procesando análisis individual: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis semántico: {str(e)}")
+ st.error(t.get('error_semantic', 'Error al mostrar análisis semántico'))
+
+
+###################################################################################################
+def display_discourse_activities(username: str, t: dict):
+ """Muestra actividades de análisis del discurso"""
+ try:
+ logger.info(f"Recuperando análisis del discurso para {username}")
+ analyses = get_student_discourse_analysis(username)
+
+ if not analyses:
+ logger.info("No se encontraron análisis del discurso")
+ st.info(t.get('no_discourse_analyses', 'No hay análisis del discurso registrados'))
+ return
+
+ logger.info(f"Procesando {len(analyses)} análisis del discurso")
+ for analysis in analyses:
+ try:
+ # Verificar campos mínimos necesarios
+ if not all(key in analysis for key in ['timestamp', 'combined_graph']):
+ logger.warning(f"Análisis incompleto: {analysis.keys()}")
+ continue
+
+ # Formatear fecha
+ timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
+ if analysis['combined_graph']:
+ logger.debug("Decodificando gráfico combinado")
+ try:
+ image_bytes = base64.b64decode(analysis['combined_graph'])
+ st.image(image_bytes, use_column_width=True)
+ logger.debug("Gráfico mostrado exitosamente")
+ except Exception as img_error:
+ logger.error(f"Error decodificando imagen: {str(img_error)}")
+ st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
+ else:
+ st.info(t.get('no_visualization', 'No hay visualización comparativa disponible'))
+
+ except Exception as e:
+ logger.error(f"Error procesando análisis individual: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis del discurso: {str(e)}")
+ st.error(t.get('error_discourse', 'Error al mostrar análisis del discurso'))
+
+#################################################################################
+def display_discourse_comparison(analysis: dict, t: dict):
+ """Muestra la comparación de análisis del discurso"""
+ st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
+
+ col1, col2 = st.columns(2)
+ with col1:
+ st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
+ df1 = pd.DataFrame(analysis['key_concepts1'])
+ st.dataframe(df1)
+
+ with col2:
+ st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
+ df2 = pd.DataFrame(analysis['key_concepts2'])
+ st.dataframe(df2)
+
+#################################################################################
+def display_chat_activities(username: str, t: dict):
+ """
+ Muestra historial de conversaciones del chat
+ """
+ try:
+ # Obtener historial del chat
+ chat_history = get_chat_history(
+ username=username,
+ analysis_type='sidebar',
+ limit=50
+ )
+
+ if not chat_history:
+ st.info(t.get('no_chat_history', 'No hay conversaciones registradas'))
+ return
+
+ for chat in reversed(chat_history): # Mostrar las más recientes primero
+ try:
+ # Convertir timestamp a datetime para formato
+ timestamp = datetime.fromisoformat(chat['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ with st.expander(
+ f"{t.get('chat_date', 'Fecha de conversación')}: {formatted_date}",
+ expanded=False
+ ):
+ if 'messages' in chat and chat['messages']:
+ # Mostrar cada mensaje en la conversación
+ for message in chat['messages']:
+ role = message.get('role', 'unknown')
+ content = message.get('content', '')
+
+ # Usar el componente de chat de Streamlit
+ with st.chat_message(role):
+ st.markdown(content)
+
+ # Agregar separador entre mensajes
+ st.divider()
+ else:
+ st.warning(t.get('invalid_chat_format', 'Formato de chat no válido'))
+
+ except Exception as e:
+ logger.error(f"Error mostrando conversación: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando historial del chat: {str(e)}")
+ st.error(t.get('error_chat', 'Error al mostrar historial del chat'))
+
+
+
+
+
+
+
+
+
+'''
+##########versión 25-9-2024---02:30 ################ OK (username)####################
+
+def display_student_progress(username, lang_code, t, student_data):
+ st.title(f"{t.get('progress_of', 'Progreso de')} {username}")
+
+ if not student_data or len(student_data.get('entries', [])) == 0:
+ st.warning(t.get("no_data_warning", "No se encontraron datos para este estudiante."))
+ st.info(t.get("try_analysis", "Intenta realizar algunos análisis de texto primero."))
+ return
+
+ with st.expander(t.get("activities_summary", "Resumen de Actividades"), expanded=True):
+ total_entries = len(student_data['entries'])
+ st.write(f"{t.get('total_analyses', 'Total de análisis realizados')}: {total_entries}")
+
+ # Gráfico de tipos de análisis
+ analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
+ analysis_counts = pd.Series(analysis_types).value_counts()
+ fig, ax = plt.subplots()
+ analysis_counts.plot(kind='bar', ax=ax)
+ ax.set_title(t.get("analysis_types_chart", "Tipos de análisis realizados"))
+ ax.set_xlabel(t.get("analysis_type", "Tipo de análisis"))
+ ax.set_ylabel(t.get("count", "Cantidad"))
+ st.pyplot(fig)
+
+ # Mostrar los últimos análisis morfosintácticos
+ with st.expander(t.get("morphosyntax_history", "Histórico de Análisis Morfosintácticos")):
+ morphosyntax_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'morphosyntax']
+ for entry in morphosyntax_entries[:5]: # Mostrar los últimos 5
+ st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
+ if 'arc_diagrams' in entry and entry['arc_diagrams']:
+ st.components.v1.html(entry['arc_diagrams'][0], height=300, scrolling=True)
+
+ # Añadir secciones similares para análisis semánticos y discursivos si es necesario
+
+ # Mostrar el historial de chat
+ with st.expander(t.get("chat_history", "Historial de Chat")):
+ if 'chat_history' in student_data:
+ for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
+ st.subheader(f"{t.get('chat_from', 'Chat del')} {chat['timestamp']}")
+ for message in chat['messages']:
+ st.write(f"{message['role'].capitalize()}: {message['content']}")
+ st.write("---")
+ else:
+ st.write(t.get("no_chat_history", "No hay historial de chat disponible."))
+
+
+##########versión 24-9-2024---17:30 ################ OK FROM--V2 de def get_student_data(username)####################
+
+def display_student_progress(username, lang_code, t, student_data):
+ if not student_data or len(student_data['entries']) == 0:
+ st.warning(t.get("no_data_warning", "No se encontraron datos para este estudiante."))
+ st.info(t.get("try_analysis", "Intenta realizar algunos análisis de texto primero."))
+ return
+
+ st.title(f"{t.get('progress_of', 'Progreso de')} {username}")
+
+ with st.expander(t.get("activities_summary", "Resumen de Actividades y Progreso"), expanded=True):
+ total_entries = len(student_data['entries'])
+ st.write(f"{t.get('total_analyses', 'Total de análisis realizados')}: {total_entries}")
+
+ # Gráfico de tipos de análisis
+ analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
+ analysis_counts = pd.Series(analysis_types).value_counts()
+
+ fig, ax = plt.subplots(figsize=(8, 4))
+ analysis_counts.plot(kind='bar', ax=ax)
+ ax.set_title(t.get("analysis_types_chart", "Tipos de análisis realizados"))
+ ax.set_xlabel(t.get("analysis_type", "Tipo de análisis"))
+ ax.set_ylabel(t.get("count", "Cantidad"))
+ st.pyplot(fig)
+
+ # Histórico de Análisis Morfosintácticos
+ with st.expander(t.get("morphosyntax_history", "Histórico de Análisis Morfosintácticos")):
+ morphosyntax_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'morphosyntax']
+ if not morphosyntax_entries:
+ st.warning("No se encontraron análisis morfosintácticos.")
+ for entry in morphosyntax_entries:
+ st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
+ if 'arc_diagrams' in entry and entry['arc_diagrams']:
+ try:
+ st.write(entry['arc_diagrams'][0], unsafe_allow_html=True)
+ except Exception as e:
+ logger.error(f"Error al mostrar diagrama de arco: {str(e)}")
+ st.error("Error al mostrar el diagrama de arco.")
+ else:
+ st.write(t.get("no_arc_diagram", "No se encontró diagrama de arco para este análisis."))
+
+ # Histórico de Análisis Semánticos
+ with st.expander(t.get("semantic_history", "Histórico de Análisis Semánticos")):
+ semantic_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'semantic']
+ if not semantic_entries:
+ st.warning("No se encontraron análisis semánticos.")
+ for entry in semantic_entries:
+ st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
+ if 'key_concepts' in entry:
+ st.write(t.get("key_concepts", "Conceptos clave:"))
+ concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in entry['key_concepts']])
+ st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
+ if 'graph' in entry:
+ try:
+ img_bytes = base64.b64decode(entry['graph'])
+ st.image(img_bytes, caption=t.get("conceptual_relations_graph", "Gráfico de relaciones conceptuales"))
+ except Exception as e:
+ logger.error(f"Error al mostrar gráfico semántico: {str(e)}")
+ st.error(t.get("graph_display_error", f"No se pudo mostrar el gráfico: {str(e)}"))
+
+ # Histórico de Análisis Discursivos
+ with st.expander(t.get("discourse_history", "Histórico de Análisis Discursivos")):
+ discourse_entries = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'discourse']
+ for entry in discourse_entries:
+ st.subheader(f"{t.get('analysis_of', 'Análisis del')} {entry['timestamp']}")
+ for i in [1, 2]:
+ if f'key_concepts{i}' in entry:
+ st.write(f"{t.get('key_concepts', 'Conceptos clave')} {t.get('document', 'documento')} {i}:")
+ concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in entry[f'key_concepts{i}']])
+ st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
+ try:
+ if 'combined_graph' in entry and entry['combined_graph']:
+ img_bytes = base64.b64decode(entry['combined_graph'])
+ st.image(img_bytes, caption=t.get("combined_graph", "Gráfico combinado"))
+ elif 'graph1' in entry and 'graph2' in entry:
+ col1, col2 = st.columns(2)
+ with col1:
+ if entry['graph1']:
+ img_bytes1 = base64.b64decode(entry['graph1'])
+ st.image(img_bytes1, caption=t.get("graph_doc1", "Gráfico documento 1"))
+ with col2:
+ if entry['graph2']:
+ img_bytes2 = base64.b64decode(entry['graph2'])
+ st.image(img_bytes2, caption=t.get("graph_doc2", "Gráfico documento 2"))
+ except Exception as e:
+ st.error(t.get("graph_display_error", f"No se pudieron mostrar los gráficos: {str(e)}"))
+
+ # Histórico de Conversaciones con el ChatBot
+ with st.expander(t.get("chatbot_history", "Histórico de Conversaciones con el ChatBot")):
+ if 'chat_history' in student_data and student_data['chat_history']:
+ for i, chat in enumerate(student_data['chat_history']):
+ st.subheader(f"{t.get('conversation', 'Conversación')} {i+1} - {chat['timestamp']}")
+ for message in chat['messages']:
+ if message['role'] == 'user':
+ st.write(f"{t.get('user', 'Usuario')}: {message['content']}")
+ else:
+ st.write(f"{t.get('assistant', 'Asistente')}: {message['content']}")
+ st.write("---")
+ else:
+ st.write(t.get("no_chat_history", "No se encontraron conversaciones con el ChatBot."))
+
+ # Añadir logs para depuración
+ if st.checkbox(t.get("show_debug_data", "Mostrar datos de depuración")):
+ st.write(t.get("student_debug_data", "Datos del estudiante (para depuración):"))
+ st.json(student_data)
+
+ # Mostrar conteo de tipos de análisis
+ analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
+ type_counts = {t: analysis_types.count(t) for t in set(analysis_types)}
+ st.write("Conteo de tipos de análisis:")
+ st.write(type_counts)
+
+
+#############################--- Update 16:00 24-9 #########################################
+def display_student_progress(username, lang_code, t, student_data):
+ try:
+ st.subheader(t.get('student_activities', 'Student Activitie'))
+
+ if not student_data or all(len(student_data.get(key, [])) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
+ st.warning(t.get('no_data_warning', 'No analysis data found for this student.'))
+ return
+
+ # Resumen de actividades
+ total_analyses = sum(len(student_data.get(key, [])) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
+ st.write(f"{t.get('total_analyses', 'Total analyses performed')}: {total_analyses}")
+
+ # Gráfico de tipos de análisis
+ analysis_counts = {
+ t.get('morpho_analyses', 'Morphosyntactic Analyses'): len(student_data.get('morphosyntax_analyses', [])),
+ t.get('semantic_analyses', 'Semantic Analyses'): len(student_data.get('semantic_analyses', [])),
+ t.get('discourse_analyses', 'Discourse Analyses'): len(student_data.get('discourse_analyses', []))
+ }
+ # Configurar el estilo de seaborn para un aspecto más atractivo
+ sns.set_style("whitegrid")
+
+ # Crear una figura más pequeña
+ fig, ax = plt.subplots(figsize=(6, 4))
+
+ # Usar colores más atractivos
+ colors = ['#ff9999', '#66b3ff', '#99ff99']
+
+ # Crear el gráfico de barras
+ bars = ax.bar(analysis_counts.keys(), analysis_counts.values(), color=colors)
+
+ # Añadir etiquetas de valor encima de cada barra
+ for bar in bars:
+ height = bar.get_height()
+ ax.text(bar.get_x() + bar.get_width()/2., height,
+ f'{height}',
+ ha='center', va='bottom')
+
+ # Configurar el título y las etiquetas
+ ax.set_title(t.get('analysis_types_chart', 'Types of analyses performed'), fontsize=12)
+ ax.set_ylabel(t.get('count', 'Count'), fontsize=10)
+
+ # Rotar las etiquetas del eje x para mejor legibilidad
+ plt.xticks(rotation=45, ha='right')
+
+ # Ajustar el diseño para que todo quepa
+ plt.tight_layout()
+
+ # Mostrar el gráfico en Streamlit
+ st.pyplot(fig)
+
+ # Mostrar los últimos análisis
+ for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
+ with st.expander(t.get(f'{analysis_type}_expander', f'{analysis_type.capitalize()} History')):
+ for analysis in student_data.get(analysis_type, [])[:5]: # Mostrar los últimos 5
+ st.subheader(f"{t.get('analysis_from', 'Analysis from')} {analysis.get('timestamp', 'N/A')}")
+ if analysis_type == 'morphosyntax_analyses':
+ if 'arc_diagrams' in analysis:
+ st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
+ elif analysis_type == 'semantic_analyses':
+ if 'key_concepts' in analysis:
+ st.write(t.get('key_concepts', 'Key concepts'))
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
+ if 'graph' in analysis:
+ st.image(base64.b64decode(analysis['graph']))
+ elif analysis_type == 'discourse_analyses':
+ for i in [1, 2]:
+ if f'key_concepts{i}' in analysis:
+ st.write(f"{t.get('key_concepts', 'Key concepts')} {t.get('document', 'Document')} {i}")
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
+ if 'combined_graph' in analysis:
+ st.image(base64.b64decode(analysis['combined_graph']))
+
+ # Mostrar el historial de chat
+ with st.expander(t.get('chat_history_expander', 'Chat History')):
+ for chat in student_data.get('chat_history', [])[:5]: # Mostrar las últimas 5 conversaciones
+ st.subheader(f"{t.get('chat_from', 'Chat from')} {chat.get('timestamp', 'N/A')}")
+ for message in chat.get('messages', []):
+ st.write(f"{message.get('role', 'Unknown').capitalize()}: {message.get('content', 'No content')}")
+ st.write("---")
+
+ except Exception as e:
+ logger.error(f"Error in display_student_progress: {str(e)}", exc_info=True)
+ st.error(t.get('error_loading_progress', 'Error loading student progress. Please try again later.'))
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+#####################################################################
+def display_student_progress(username, lang_code, t, student_data):
+ st.subheader(t['student_progress'])
+
+ if not student_data or all(len(student_data[key]) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
+ st.warning(t['no_data_warning'])
+ return
+
+ # Resumen de actividades
+ total_analyses = sum(len(student_data[key]) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
+ st.write(f"{t['total_analyses']}: {total_analyses}")
+
+ # Gráfico de tipos de análisis
+ analysis_counts = {
+ t['morpho_analyses']: len(student_data['morphosyntax_analyses']),
+ t['semantic_analyses']: len(student_data['semantic_analyses']),
+ t['discourse_analyses']: len(student_data['discourse_analyses'])
+ }
+ fig, ax = plt.subplots()
+ ax.bar(analysis_counts.keys(), analysis_counts.values())
+ ax.set_title(t['analysis_types_chart'])
+ st.pyplot(fig)
+
+ # Mostrar los últimos análisis
+ for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
+ with st.expander(t[f'{analysis_type}_expander']):
+ for analysis in student_data[analysis_type][:5]: # Mostrar los últimos 5
+ st.subheader(f"{t['analysis_from']} {analysis['timestamp']}")
+ if analysis_type == 'morphosyntax_analyses':
+ if 'arc_diagrams' in analysis:
+ st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
+ elif analysis_type == 'semantic_analyses':
+ if 'key_concepts' in analysis:
+ st.write(t['key_concepts'])
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
+ if 'graph' in analysis:
+ st.image(base64.b64decode(analysis['graph']))
+ elif analysis_type == 'discourse_analyses':
+ for i in [1, 2]:
+ if f'key_concepts{i}' in analysis:
+ st.write(f"{t['key_concepts']} {t['document']} {i}")
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
+ if 'combined_graph' in analysis:
+ st.image(base64.b64decode(analysis['combined_graph']))
+
+ # Mostrar el historial de chat
+ with st.expander(t['chat_history_expander']):
+ for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
+ st.subheader(f"{t['chat_from']} {chat['timestamp']}")
+ for message in chat['messages']:
+ st.write(f"{message['role'].capitalize()}: {message['content']}")
+ st.write("---")
+
+
+
+def display_student_progress(username, lang_code, t, student_data):
+ st.subheader(t['student_activities'])
+
+ if not student_data or all(len(student_data[key]) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
+ st.warning(t['no_data_warning'])
+ return
+
+ # Resumen de actividades
+ total_analyses = sum(len(student_data[key]) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
+ st.write(f"{t['total_analyses']}: {total_analyses}")
+
+ # Gráfico de tipos de análisis
+ analysis_counts = {
+ t['morphological_analysis']: len(student_data['morphosyntax_analyses']),
+ t['semantic_analyses']: len(student_data['semantic_analyses']),
+ t['discourse_analyses']: len(student_data['discourse_analyses'])
+ }
+ fig, ax = plt.subplots()
+ ax.bar(analysis_counts.keys(), analysis_counts.values())
+ ax.set_title(t['analysis_types_chart'])
+ st.pyplot(fig)
+
+ # Mostrar los últimos análisis
+ for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
+ with st.expander(t[f'{analysis_type}_expander']):
+ for analysis in student_data[analysis_type][:5]: # Mostrar los últimos 5
+ st.subheader(f"{t['analysis_from']} {analysis['timestamp']}")
+ if analysis_type == 'morphosyntax_analyses':
+ if 'arc_diagrams' in analysis:
+ st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
+ elif analysis_type == 'semantic_analyses':
+ if 'key_concepts' in analysis:
+ st.write(t['key_concepts'])
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
+ if 'graph' in analysis:
+ st.image(base64.b64decode(analysis['graph']))
+ elif analysis_type == 'discourse_analyses':
+ for i in [1, 2]:
+ if f'key_concepts{i}' in analysis:
+ st.write(f"{t['key_concepts']} {t['document']} {i}")
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
+ if 'combined_graph' in analysis:
+ st.image(base64.b64decode(analysis['combined_graph']))
+
+ # Mostrar el historial de chat
+ with st.expander(t['chat_history_expander']):
+ for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
+ st.subheader(f"{t['chat_from']} {chat['timestamp']}")
+ for message in chat['messages']:
+ st.write(f"{message['role'].capitalize()}: {message['content']}")
+ st.write("---")
+
+
+
+
+def display_student_progress(username, lang_code, t, student_data):
+ st.subheader(t['student_activities'])
+
+ if not student_data or all(len(student_data[key]) == 0 for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']):
+ st.warning(t['no_data_warning'])
+ return
+
+ # Resumen de actividades
+ total_analyses = sum(len(student_data[key]) for key in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses'])
+ st.write(f"{t['total_analyses']}: {total_analyses}")
+
+ # Gráfico de tipos de análisis
+ analysis_counts = {
+ t['morphological_analysis']: len(student_data['morphosyntax_analyses']),
+ t['semantic_analyses']: len(student_data['semantic_analyses']),
+ t['discourse_analyses']: len(student_data['discourse_analyses'])
+ }
+ fig, ax = plt.subplots()
+ ax.bar(analysis_counts.keys(), analysis_counts.values())
+ ax.set_title(t['analysis_types_chart'])
+ st.pyplot(fig)
+
+ # Mostrar los últimos análisis
+ for analysis_type in ['morphosyntax_analyses', 'semantic_analyses', 'discourse_analyses']:
+ with st.expander(t[f'{analysis_type}_expander']):
+ for analysis in student_data[analysis_type][:5]: # Mostrar los últimos 5
+ st.subheader(f"{t['analysis_from']} {analysis['timestamp']}")
+ if analysis_type == 'morphosyntax_analyses':
+ if 'arc_diagrams' in analysis:
+ st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
+ elif analysis_type == 'semantic_analyses':
+ if 'key_concepts' in analysis:
+ st.write(t['key_concepts'])
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis['key_concepts']]))
+ if 'graph' in analysis:
+ st.image(base64.b64decode(analysis['graph']))
+ elif analysis_type == 'discourse_analyses':
+ for i in [1, 2]:
+ if f'key_concepts{i}' in analysis:
+ st.write(f"{t['key_concepts']} {t['document']} {i}")
+ st.write(", ".join([f"{concept} ({freq:.2f})" for concept, freq in analysis[f'key_concepts{i}']]))
+ if 'combined_graph' in analysis:
+ st.image(base64.b64decode(analysis['combined_graph']))
+
+ # Mostrar el historial de chat
+ with st.expander(t['chat_history_expander']):
+ for chat in student_data['chat_history'][:5]: # Mostrar las últimas 5 conversaciones
+ st.subheader(f"{t['chat_from']} {chat['timestamp']}")
+ for message in chat['messages']:
+ st.write(f"{message['role'].capitalize()}: {message['content']}")
+ st.write("---")
+
+
+
+
+def display_student_progress(username, lang_code, t):
+ st.subheader(t['student_activities'])
+ st.write(f"{t['activities_message']} {username}")
+
+ # Aquí puedes agregar más contenido estático o placeholder
+ st.info(t['activities_placeholder'])
+
+ # Si necesitas mostrar algún dato, puedes usar datos de ejemplo o placeholders
+ col1, col2, col3 = st.columns(3)
+ col1.metric(t['morpho_analyses'], "5") # Ejemplo de dato
+ col2.metric(t['semantic_analyses'], "3") # Ejemplo de dato
+ col3.metric(t['discourse_analyses'], "2") # Ejemplo de dato
+
+
+
+def display_student_progress(username, lang_code, t):
+ st.title(f"Actividades de {username}")
+
+ # Obtener todos los datos del estudiante
+ student_data = get_student_data(username)
+
+ if not student_data or len(student_data.get('entries', [])) == 0:
+ st.warning("No se encontraron datos de análisis para este estudiante.")
+ st.info("Intenta realizar algunos análisis de texto primero.")
+ return
+
+ # Resumen de actividades
+ with st.expander("Resumen de Actividades", expanded=True):
+ total_entries = len(student_data['entries'])
+ st.write(f"Total de análisis realizados: {total_entries}")
+
+ # Gráfico de tipos de análisis
+ analysis_types = [entry['analysis_type'] for entry in student_data['entries']]
+ analysis_counts = pd.Series(analysis_types).value_counts()
+ fig, ax = plt.subplots()
+ analysis_counts.plot(kind='bar', ax=ax)
+ ax.set_title("Tipos de análisis realizados")
+ ax.set_xlabel("Tipo de análisis")
+ ax.set_ylabel("Cantidad")
+ st.pyplot(fig)
+
+ # Histórico de Análisis Morfosintácticos
+ with st.expander("Histórico de Análisis Morfosintácticos"):
+ morpho_analyses = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'morphosyntax']
+ for analysis in morpho_analyses[:5]: # Mostrar los últimos 5
+ st.subheader(f"Análisis del {analysis['timestamp']}")
+ if 'arc_diagrams' in analysis:
+ st.write(analysis['arc_diagrams'][0], unsafe_allow_html=True)
+
+ # Histórico de Análisis Semánticos
+ with st.expander("Histórico de Análisis Semánticos"):
+ semantic_analyses = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'semantic']
+ for analysis in semantic_analyses[:5]: # Mostrar los últimos 5
+ st.subheader(f"Análisis del {analysis['timestamp']}")
+ if 'key_concepts' in analysis:
+ concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in analysis['key_concepts']])
+ st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
+ if 'graph' in analysis:
+ try:
+ img_bytes = base64.b64decode(analysis['graph'])
+ st.image(img_bytes, caption="Gráfico de relaciones conceptuales")
+ except Exception as e:
+ st.error(f"No se pudo mostrar el gráfico: {str(e)}")
+
+ # Histórico de Análisis Discursivos
+ with st.expander("Histórico de Análisis Discursivos"):
+ discourse_analyses = [entry for entry in student_data['entries'] if entry['analysis_type'] == 'discourse']
+ for analysis in discourse_analyses[:5]: # Mostrar los últimos 5
+ st.subheader(f"Análisis del {analysis['timestamp']}")
+ for i in [1, 2]:
+ if f'key_concepts{i}' in analysis:
+ concepts_str = " | ".join([f"{concept} ({frequency:.2f})" for concept, frequency in analysis[f'key_concepts{i}']])
+ st.write(f"Conceptos clave del documento {i}:")
+ st.markdown(f"{concepts_str}
", unsafe_allow_html=True)
+ if 'combined_graph' in analysis:
+ try:
+ img_bytes = base64.b64decode(analysis['combined_graph'])
+ st.image(img_bytes)
+ except Exception as e:
+ st.error(f"No se pudo mostrar el gráfico combinado: {str(e)}")
+
+ # Histórico de Conversaciones con el ChatBot
+ with st.expander("Histórico de Conversaciones con el ChatBot"):
+ if 'chat_history' in student_data:
+ for i, chat in enumerate(student_data['chat_history'][:5]): # Mostrar las últimas 5 conversaciones
+ st.subheader(f"Conversación {i+1} - {chat['timestamp']}")
+ for message in chat['messages']:
+ st.write(f"{message['role'].capitalize()}: {message['content']}")
+ st.write("---")
+ else:
+ st.write("No se encontraron conversaciones con el ChatBot.")
+
+ # Opción para mostrar datos de depuración
+ if st.checkbox("Mostrar datos de depuración"):
+ st.write("Datos del estudiante (para depuración):")
+ st.json(student_data)
+
'''
\ No newline at end of file
diff --git a/modules/studentact/student_activities_v2-error.py b/modules/studentact/student_activities_v2-error.py
index 24ee0b125cc9e272fca3beab0dd05666471d0369..864574edcf68c27f3fd935eda8799efa8308d28e 100644
--- a/modules/studentact/student_activities_v2-error.py
+++ b/modules/studentact/student_activities_v2-error.py
@@ -1,251 +1,251 @@
-##############
-###modules/studentact/student_activities_v2.py
-
-import streamlit as st
-import re
-import io
-from io import BytesIO
-import pandas as pd
-import numpy as np
-import time
-import matplotlib.pyplot as plt
-from datetime import datetime
-from spacy import displacy
-import random
-import base64
-import seaborn as sns
-import logging
-
-# Importaciones de la base de datos
-from ..database.morphosintax_mongo_db import get_student_morphosyntax_analysis
-from ..database.semantic_mongo_db import get_student_semantic_analysis
-from ..database.discourse_mongo_db import get_student_discourse_analysis
-from ..database.chat_mongo_db import get_chat_history
-
-logger = logging.getLogger(__name__)
-
-###################################################################################
-def display_student_activities(username: str, lang_code: str, t: dict):
- """
- Muestra todas las actividades del estudiante
- Args:
- username: Nombre del estudiante
- lang_code: Código del idioma
- t: Diccionario de traducciones
- """
- try:
- st.header(t.get('activities_title', 'Mis Actividades'))
-
- # Tabs para diferentes tipos de análisis
- tabs = st.tabs([
- t.get('morpho_activities', 'Análisis Morfosintáctico'),
- t.get('semantic_activities', 'Análisis Semántico'),
- t.get('discourse_activities', 'Análisis del Discurso'),
- t.get('chat_activities', 'Conversaciones con el Asistente')
- ])
-
- # Tab de Análisis Morfosintáctico
- with tabs[0]:
- display_morphosyntax_activities(username, t)
-
- # Tab de Análisis Semántico
- with tabs[1]:
- display_semantic_activities(username, t)
-
- # Tab de Análisis del Discurso
- with tabs[2]:
- display_discourse_activities(username, t)
-
- # Tab de Conversaciones del Chat
- with tabs[3]:
- display_chat_activities(username, t)
-
- except Exception as e:
- logger.error(f"Error mostrando actividades: {str(e)}")
- st.error(t.get('error_loading_activities', 'Error al cargar las actividades'))
-
-###################################################################################
-def display_morphosyntax_activities(username: str, t: dict):
- """Muestra actividades de análisis morfosintáctico"""
- try:
- analyses = get_student_morphosyntax_analysis(username)
- if not analyses:
- st.info(t.get('no_morpho_analyses', 'No hay análisis morfosintácticos registrados'))
- return
-
- for analysis in analyses:
- with st.expander(
- f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
- expanded=False
- ):
- st.text(f"{t.get('analyzed_text', 'Texto analizado')}:")
- st.write(analysis['text'])
-
- if 'arc_diagrams' in analysis:
- st.subheader(t.get('syntactic_diagrams', 'Diagramas sintácticos'))
- for diagram in analysis['arc_diagrams']:
- st.write(diagram, unsafe_allow_html=True)
-
- except Exception as e:
- logger.error(f"Error mostrando análisis morfosintáctico: {str(e)}")
- st.error(t.get('error_morpho', 'Error al mostrar análisis morfosintáctico'))
-
-###################################################################################
-def display_semantic_activities(username: str, t: dict):
- """Muestra actividades de análisis semántico"""
- try:
- analyses = get_student_semantic_analysis(username)
- if not analyses:
- st.info(t.get('no_semantic_analyses', 'No hay análisis semánticos registrados'))
- return
-
- for analysis in analyses:
- with st.expander(
- f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
- expanded=False
- ):
-
- # Mostrar conceptos clave
- if 'key_concepts' in analysis:
- st.subheader(t.get('key_concepts', 'Conceptos clave'))
- df = pd.DataFrame(
- analysis['key_concepts'],
- columns=['Concepto', 'Frecuencia']
- )
- st.dataframe(df)
-
- # Mostrar gráfico de conceptos
- if 'concept_graph' in analysis and analysis['concept_graph']:
- st.subheader(t.get('concept_graph', 'Grafo de conceptos'))
- image_bytes = base64.b64decode(analysis['concept_graph'])
- st.image(image_bytes)
-
- except Exception as e:
- logger.error(f"Error mostrando análisis semántico: {str(e)}")
- st.error(t.get('error_semantic', 'Error al mostrar análisis semántico'))
-
-###################################################################################
-
-def display_discourse_activities(username: str, t: dict):
- """Muestra actividades de análisis del discurso"""
- try:
- analyses = get_student_discourse_analysis(username)
- if not analyses:
- st.info(t.get('no_discourse_analyses', 'No hay análisis del discurso registrados'))
- return
-
- for analysis in analyses:
- with st.expander(
- f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
- expanded=False
- ):
-
- # Mostrar conceptos clave
- if 'key_concepts1' in analysis and 'key_concepts2' in analysis:
- st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
-
- col1, col2 = st.columns(2)
- with col1:
- st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
- df1 = pd.DataFrame(
- analysis['key_concepts1'],
- columns=['Concepto', 'Frecuencia']
- )
- st.dataframe(df1)
-
- with col2:
- st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
- df2 = pd.DataFrame(
- analysis['key_concepts2'],
- columns=['Concepto', 'Frecuencia']
- )
- st.dataframe(df2)
-
- # Mostrar gráficos
- if all(key in analysis for key in ['graph1', 'graph2']):
- st.subheader(t.get('visualizations', 'Visualizaciones'))
-
- col1, col2 = st.columns(2)
- with col1:
- st.markdown(f"**{t.get('graph_text_1', 'Grafo Texto 1')}**")
- if analysis['graph1']:
- image_bytes = base64.b64decode(analysis['graph1'])
- st.image(image_bytes)
-
- with col2:
- st.markdown(f"**{t.get('graph_text_2', 'Grafo Texto 2')}**")
- if analysis['graph2']:
- image_bytes = base64.b64decode(analysis['graph2'])
- st.image(image_bytes)
-
- except Exception as e:
- logger.error(f"Error mostrando análisis del discurso: {str(e)}")
- st.error(t.get('error_discourse', 'Error al mostrar análisis del discurso'))
-#################################################################################
-
-def display_discourse_comparison(analysis: dict, t: dict):
- """Muestra la comparación de análisis del discurso"""
- st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
-
- col1, col2 = st.columns(2)
- with col1:
- st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
- df1 = pd.DataFrame(analysis['key_concepts1'])
- st.dataframe(df1)
-
- with col2:
- st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
- df2 = pd.DataFrame(analysis['key_concepts2'])
- st.dataframe(df2)
-
-#################################################################################
-
-
-def display_chat_activities(username: str, t: dict):
- """
- Muestra historial de conversaciones del chat
- """
- try:
- # Obtener historial del chat
- chat_history = get_chat_history(
- username=username,
- analysis_type='sidebar',
- limit=50
- )
-
- if not chat_history:
- st.info(t.get('no_chat_history', 'No hay conversaciones registradas'))
- return
-
- for chat in reversed(chat_history): # Mostrar las más recientes primero
- try:
- # Convertir timestamp a datetime para formato
- timestamp = datetime.fromisoformat(chat['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- with st.expander(
- f"{t.get('chat_date', 'Fecha de conversación')}: {formatted_date}",
- expanded=False
- ):
- if 'messages' in chat and chat['messages']:
- # Mostrar cada mensaje en la conversación
- for message in chat['messages']:
- role = message.get('role', 'unknown')
- content = message.get('content', '')
-
- # Usar el componente de chat de Streamlit
- with st.chat_message(role):
- st.markdown(content)
-
- # Agregar separador entre mensajes
- st.divider()
- else:
- st.warning(t.get('invalid_chat_format', 'Formato de chat no válido'))
-
- except Exception as e:
- logger.error(f"Error mostrando conversación: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando historial del chat: {str(e)}")
+##############
+###modules/studentact/student_activities_v2.py
+
+import streamlit as st
+import re
+import io
+from io import BytesIO
+import pandas as pd
+import numpy as np
+import time
+import matplotlib.pyplot as plt
+from datetime import datetime
+from spacy import displacy
+import random
+import base64
+import seaborn as sns
+import logging
+
+# Importaciones de la base de datos
+from ..database.morphosintax_mongo_db import get_student_morphosyntax_analysis
+from ..database.semantic_mongo_db import get_student_semantic_analysis
+from ..database.discourse_mongo_db import get_student_discourse_analysis
+from ..database.chat_mongo_db import get_chat_history
+
+logger = logging.getLogger(__name__)
+
+###################################################################################
+def display_student_activities(username: str, lang_code: str, t: dict):
+ """
+ Muestra todas las actividades del estudiante
+ Args:
+ username: Nombre del estudiante
+ lang_code: Código del idioma
+ t: Diccionario de traducciones
+ """
+ try:
+ st.header(t.get('activities_title', 'Mis Actividades'))
+
+ # Tabs para diferentes tipos de análisis
+ tabs = st.tabs([
+ t.get('morpho_activities', 'Análisis Morfosintáctico'),
+ t.get('semantic_activities', 'Análisis Semántico'),
+ t.get('discourse_activities', 'Análisis del Discurso'),
+ t.get('chat_activities', 'Conversaciones con el Asistente')
+ ])
+
+ # Tab de Análisis Morfosintáctico
+ with tabs[0]:
+ display_morphosyntax_activities(username, t)
+
+ # Tab de Análisis Semántico
+ with tabs[1]:
+ display_semantic_activities(username, t)
+
+ # Tab de Análisis del Discurso
+ with tabs[2]:
+ display_discourse_activities(username, t)
+
+ # Tab de Conversaciones del Chat
+ with tabs[3]:
+ display_chat_activities(username, t)
+
+ except Exception as e:
+ logger.error(f"Error mostrando actividades: {str(e)}")
+ st.error(t.get('error_loading_activities', 'Error al cargar las actividades'))
+
+###################################################################################
+def display_morphosyntax_activities(username: str, t: dict):
+ """Muestra actividades de análisis morfosintáctico"""
+ try:
+ analyses = get_student_morphosyntax_analysis(username)
+ if not analyses:
+ st.info(t.get('no_morpho_analyses', 'No hay análisis morfosintácticos registrados'))
+ return
+
+ for analysis in analyses:
+ with st.expander(
+ f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
+ expanded=False
+ ):
+ st.text(f"{t.get('analyzed_text', 'Texto analizado')}:")
+ st.write(analysis['text'])
+
+ if 'arc_diagrams' in analysis:
+ st.subheader(t.get('syntactic_diagrams', 'Diagramas sintácticos'))
+ for diagram in analysis['arc_diagrams']:
+ st.write(diagram, unsafe_allow_html=True)
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis morfosintáctico: {str(e)}")
+ st.error(t.get('error_morpho', 'Error al mostrar análisis morfosintáctico'))
+
+###################################################################################
+def display_semantic_activities(username: str, t: dict):
+ """Muestra actividades de análisis semántico"""
+ try:
+ analyses = get_student_semantic_analysis(username)
+ if not analyses:
+ st.info(t.get('no_semantic_analyses', 'No hay análisis semánticos registrados'))
+ return
+
+ for analysis in analyses:
+ with st.expander(
+ f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
+ expanded=False
+ ):
+
+ # Mostrar conceptos clave
+ if 'key_concepts' in analysis:
+ st.subheader(t.get('key_concepts', 'Conceptos clave'))
+ df = pd.DataFrame(
+ analysis['key_concepts'],
+ columns=['Concepto', 'Frecuencia']
+ )
+ st.dataframe(df)
+
+ # Mostrar gráfico de conceptos
+ if 'concept_graph' in analysis and analysis['concept_graph']:
+ st.subheader(t.get('concept_graph', 'Grafo de conceptos'))
+ image_bytes = base64.b64decode(analysis['concept_graph'])
+ st.image(image_bytes)
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis semántico: {str(e)}")
+ st.error(t.get('error_semantic', 'Error al mostrar análisis semántico'))
+
+###################################################################################
+
+def display_discourse_activities(username: str, t: dict):
+ """Muestra actividades de análisis del discurso"""
+ try:
+ analyses = get_student_discourse_analysis(username)
+ if not analyses:
+ st.info(t.get('no_discourse_analyses', 'No hay análisis del discurso registrados'))
+ return
+
+ for analysis in analyses:
+ with st.expander(
+ f"{t.get('analysis_date', 'Fecha')}: {analysis['timestamp']}",
+ expanded=False
+ ):
+
+ # Mostrar conceptos clave
+ if 'key_concepts1' in analysis and 'key_concepts2' in analysis:
+ st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
+
+ col1, col2 = st.columns(2)
+ with col1:
+ st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
+ df1 = pd.DataFrame(
+ analysis['key_concepts1'],
+ columns=['Concepto', 'Frecuencia']
+ )
+ st.dataframe(df1)
+
+ with col2:
+ st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
+ df2 = pd.DataFrame(
+ analysis['key_concepts2'],
+ columns=['Concepto', 'Frecuencia']
+ )
+ st.dataframe(df2)
+
+ # Mostrar gráficos
+ if all(key in analysis for key in ['graph1', 'graph2']):
+ st.subheader(t.get('visualizations', 'Visualizaciones'))
+
+ col1, col2 = st.columns(2)
+ with col1:
+ st.markdown(f"**{t.get('graph_text_1', 'Grafo Texto 1')}**")
+ if analysis['graph1']:
+ image_bytes = base64.b64decode(analysis['graph1'])
+ st.image(image_bytes)
+
+ with col2:
+ st.markdown(f"**{t.get('graph_text_2', 'Grafo Texto 2')}**")
+ if analysis['graph2']:
+ image_bytes = base64.b64decode(analysis['graph2'])
+ st.image(image_bytes)
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis del discurso: {str(e)}")
+ st.error(t.get('error_discourse', 'Error al mostrar análisis del discurso'))
+#################################################################################
+
+def display_discourse_comparison(analysis: dict, t: dict):
+ """Muestra la comparación de análisis del discurso"""
+ st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
+
+ col1, col2 = st.columns(2)
+ with col1:
+ st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
+ df1 = pd.DataFrame(analysis['key_concepts1'])
+ st.dataframe(df1)
+
+ with col2:
+ st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
+ df2 = pd.DataFrame(analysis['key_concepts2'])
+ st.dataframe(df2)
+
+#################################################################################
+
+
+def display_chat_activities(username: str, t: dict):
+ """
+ Muestra historial de conversaciones del chat
+ """
+ try:
+ # Obtener historial del chat
+ chat_history = get_chat_history(
+ username=username,
+ analysis_type='sidebar',
+ limit=50
+ )
+
+ if not chat_history:
+ st.info(t.get('no_chat_history', 'No hay conversaciones registradas'))
+ return
+
+ for chat in reversed(chat_history): # Mostrar las más recientes primero
+ try:
+ # Convertir timestamp a datetime para formato
+ timestamp = datetime.fromisoformat(chat['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ with st.expander(
+ f"{t.get('chat_date', 'Fecha de conversación')}: {formatted_date}",
+ expanded=False
+ ):
+ if 'messages' in chat and chat['messages']:
+ # Mostrar cada mensaje en la conversación
+ for message in chat['messages']:
+ role = message.get('role', 'unknown')
+ content = message.get('content', '')
+
+ # Usar el componente de chat de Streamlit
+ with st.chat_message(role):
+ st.markdown(content)
+
+ # Agregar separador entre mensajes
+ st.divider()
+ else:
+ st.warning(t.get('invalid_chat_format', 'Formato de chat no válido'))
+
+ except Exception as e:
+ logger.error(f"Error mostrando conversación: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando historial del chat: {str(e)}")
st.error(t.get('error_chat', 'Error al mostrar historial del chat'))
\ No newline at end of file
diff --git a/modules/studentact/student_activities_v2.py b/modules/studentact/student_activities_v2.py
index 3d647d58210ef70d939a238b74201d2fc23f1934..9f8eac7f06cd9d1ee1ba97b59dea5d31f03873c2 100644
--- a/modules/studentact/student_activities_v2.py
+++ b/modules/studentact/student_activities_v2.py
@@ -1,731 +1,780 @@
-##############
-###modules/studentact/student_activities_v2.py
-
-import streamlit as st
-import re
-import io
-from io import BytesIO
-import pandas as pd
-import numpy as np
-import time
-import matplotlib.pyplot as plt
-from datetime import datetime, timedelta
-from spacy import displacy
-import random
-import base64
-import seaborn as sns
-import logging
-
-# Importaciones de la base de datos
-from ..database.morphosintax_mongo_db import get_student_morphosyntax_analysis
-from ..database.semantic_mongo_db import get_student_semantic_analysis
-from ..database.discourse_mongo_db import get_student_discourse_analysis
-from ..database.chat_mongo_db import get_chat_history
-from ..database.current_situation_mongo_db import get_current_situation_analysis
-from ..database.claude_recommendations_mongo_db import get_claude_recommendations
-
-# Importar la función generate_unique_key
-from ..utils.widget_utils import generate_unique_key
-
-logger = logging.getLogger(__name__)
-
-###################################################################################
-
-def display_student_activities(username: str, lang_code: str, t: dict):
- """
- Muestra todas las actividades del estudiante
- Args:
- username: Nombre del estudiante
- lang_code: Código del idioma
- t: Diccionario de traducciones
- """
- try:
- # Cambiado de "Mis Actividades" a "Registro de mis actividades"
- #st.header(t.get('activities_title', 'Registro de mis actividades'))
-
- # Tabs para diferentes tipos de análisis
- # Cambiado "Análisis del Discurso" a "Análisis comparado de textos"
- tabs = st.tabs([
- t.get('current_situation_activities', 'Registros de la función: Mi Situación Actual'),
- t.get('morpho_activities', 'Registros de mis análisis morfosintácticos'),
- t.get('semantic_activities', 'Registros de mis análisis semánticos'),
- t.get('discourse_activities', 'Registros de mis análisis comparado de textos'),
- t.get('chat_activities', 'Registros de mis conversaciones con el tutor virtual')
- ])
-
- # Tab de Situación Actual
- with tabs[0]:
- display_current_situation_activities(username, t)
-
- # Tab de Análisis Morfosintáctico
- with tabs[1]:
- display_morphosyntax_activities(username, t)
-
- # Tab de Análisis Semántico
- with tabs[2]:
- display_semantic_activities(username, t)
-
- # Tab de Análisis del Discurso (mantiene nombre interno pero UI muestra "Análisis comparado de textos")
- with tabs[3]:
- display_discourse_activities(username, t)
-
- # Tab de Conversaciones del Chat
- with tabs[4]:
- display_chat_activities(username, t)
-
- except Exception as e:
- logger.error(f"Error mostrando actividades: {str(e)}")
- st.error(t.get('error_loading_activities', 'Error al cargar las actividades'))
-
-
-###############################################################################################
-
-def display_current_situation_activities(username: str, t: dict):
- """
- Muestra análisis de situación actual junto con las recomendaciones de Claude
- unificando la información de ambas colecciones y emparejándolas por cercanía temporal.
- """
- try:
- # Recuperar datos de ambas colecciones
- logger.info(f"Recuperando análisis de situación actual para {username}")
- situation_analyses = get_current_situation_analysis(username, limit=10)
-
- # Verificar si hay datos
- if situation_analyses:
- logger.info(f"Recuperados {len(situation_analyses)} análisis de situación")
- # Depurar para ver la estructura de datos
- for i, analysis in enumerate(situation_analyses):
- logger.info(f"Análisis #{i+1}: Claves disponibles: {list(analysis.keys())}")
- if 'metrics' in analysis:
- logger.info(f"Métricas disponibles: {list(analysis['metrics'].keys())}")
- else:
- logger.warning("No se encontraron análisis de situación actual")
-
- logger.info(f"Recuperando recomendaciones de Claude para {username}")
- claude_recommendations = get_claude_recommendations(username)
-
- if claude_recommendations:
- logger.info(f"Recuperadas {len(claude_recommendations)} recomendaciones de Claude")
- else:
- logger.warning("No se encontraron recomendaciones de Claude")
-
- # Verificar si hay algún tipo de análisis disponible
- if not situation_analyses and not claude_recommendations:
- logger.info("No se encontraron análisis de situación actual ni recomendaciones")
- st.info(t.get('no_current_situation', 'No hay análisis de situación actual registrados'))
- return
-
- # Crear pares combinados emparejando diagnósticos y recomendaciones cercanos en tiempo
- logger.info("Creando emparejamientos temporales de análisis")
-
- # Convertir timestamps a objetos datetime para comparación
- situation_times = []
- for analysis in situation_analyses:
- if 'timestamp' in analysis:
- try:
- timestamp_str = analysis['timestamp']
- dt = datetime.fromisoformat(timestamp_str.replace('Z', '+00:00'))
- situation_times.append((dt, analysis))
- except Exception as e:
- logger.error(f"Error parseando timestamp de situación: {str(e)}")
-
- recommendation_times = []
- for recommendation in claude_recommendations:
- if 'timestamp' in recommendation:
- try:
- timestamp_str = recommendation['timestamp']
- dt = datetime.fromisoformat(timestamp_str.replace('Z', '+00:00'))
- recommendation_times.append((dt, recommendation))
- except Exception as e:
- logger.error(f"Error parseando timestamp de recomendación: {str(e)}")
-
- # Ordenar por tiempo
- situation_times.sort(key=lambda x: x[0], reverse=True)
- recommendation_times.sort(key=lambda x: x[0], reverse=True)
-
- # Crear pares combinados
- combined_items = []
-
- # Primero, procesar todas las situaciones encontrando la recomendación más cercana
- for sit_time, situation in situation_times:
- # Buscar la recomendación más cercana en tiempo
- best_match = None
- min_diff = timedelta(minutes=30) # Máxima diferencia de tiempo aceptable (30 minutos)
- best_rec_time = None
-
- for rec_time, recommendation in recommendation_times:
- time_diff = abs(sit_time - rec_time)
- if time_diff < min_diff:
- min_diff = time_diff
- best_match = recommendation
- best_rec_time = rec_time
-
- # Crear un elemento combinado
- if best_match:
- timestamp_key = sit_time.isoformat()
- combined_items.append((timestamp_key, {
- 'situation': situation,
- 'recommendation': best_match,
- 'time_diff': min_diff.total_seconds()
- }))
- # Eliminar la recomendación usada para no reutilizarla
- recommendation_times = [(t, r) for t, r in recommendation_times if t != best_rec_time]
- logger.info(f"Emparejado: Diagnóstico {sit_time} con Recomendación {best_rec_time} (diferencia: {min_diff})")
- else:
- # Si no hay recomendación cercana, solo incluir la situación
- timestamp_key = sit_time.isoformat()
- combined_items.append((timestamp_key, {
- 'situation': situation
- }))
- logger.info(f"Sin emparejar: Diagnóstico {sit_time} sin recomendación cercana")
-
- # Agregar recomendaciones restantes sin situación
- for rec_time, recommendation in recommendation_times:
- timestamp_key = rec_time.isoformat()
- combined_items.append((timestamp_key, {
- 'recommendation': recommendation
- }))
- logger.info(f"Sin emparejar: Recomendación {rec_time} sin diagnóstico cercano")
-
- # Ordenar por tiempo (más reciente primero)
- combined_items.sort(key=lambda x: x[0], reverse=True)
-
- logger.info(f"Procesando {len(combined_items)} elementos combinados")
-
- # Mostrar cada par combinado
- for i, (timestamp_key, analysis_pair) in enumerate(combined_items):
- try:
- # Obtener datos de situación y recomendación
- situation_data = analysis_pair.get('situation', {})
- recommendation_data = analysis_pair.get('recommendation', {})
- time_diff = analysis_pair.get('time_diff')
-
- # Si no hay ningún dato, continuar al siguiente
- if not situation_data and not recommendation_data:
- continue
-
- # Determinar qué texto mostrar (priorizar el de la situación)
- text_to_show = situation_data.get('text', recommendation_data.get('text', ''))
- text_type = situation_data.get('text_type', recommendation_data.get('text_type', ''))
-
- # Formatear fecha para mostrar
- try:
- # Usar timestamp del key que ya es un formato ISO
- dt = datetime.fromisoformat(timestamp_key)
- formatted_date = dt.strftime("%d/%m/%Y %H:%M:%S")
- except Exception as date_error:
- logger.error(f"Error formateando fecha: {str(date_error)}")
- formatted_date = timestamp_key
-
- # Determinar el título del expander
- title = f"{t.get('analysis_date', 'Fecha')}: {formatted_date}"
- if text_type:
- text_type_display = {
- 'academic_article': t.get('academic_article', 'Artículo académico'),
- 'student_essay': t.get('student_essay', 'Trabajo universitario'),
- 'general_communication': t.get('general_communication', 'Comunicación general')
- }.get(text_type, text_type)
- title += f" - {text_type_display}"
-
- # Añadir indicador de emparejamiento si existe
- if time_diff is not None:
- if time_diff < 60: # menos de un minuto
- title += f" 🔄 (emparejados)"
- else:
- title += f" 🔄 (emparejados, diferencia: {int(time_diff//60)} min)"
-
- # Usar un ID único para cada expander
- expander_id = f"analysis_{i}_{timestamp_key.replace(':', '_')}"
-
- # Mostrar el análisis en un expander
- with st.expander(title, expanded=False):
- # Mostrar texto analizado con key único
- st.subheader(t.get('analyzed_text', 'Texto analizado'))
- st.text_area(
- "Text Content",
- value=text_to_show,
- height=100,
- disabled=True,
- label_visibility="collapsed",
- key=f"text_area_{expander_id}"
- )
-
- # Crear tabs para separar diagnóstico y recomendaciones
- diagnosis_tab, recommendations_tab = st.tabs([
- t.get('diagnosis_tab', 'Diagnóstico'),
- t.get('recommendations_tab', 'Recomendaciones')
- ])
-
- # Tab de diagnóstico
- with diagnosis_tab:
- if situation_data and 'metrics' in situation_data:
- metrics = situation_data['metrics']
-
- # Dividir en dos columnas
- col1, col2 = st.columns(2)
-
- # Principales métricas en formato de tarjetas
- with col1:
- st.subheader(t.get('key_metrics', 'Métricas clave'))
-
- # Mostrar cada métrica principal
- for metric_name, metric_data in metrics.items():
- try:
- # Determinar la puntuación
- score = None
- if isinstance(metric_data, dict):
- # Intentar diferentes nombres de campo
- if 'normalized_score' in metric_data:
- score = metric_data['normalized_score']
- elif 'score' in metric_data:
- score = metric_data['score']
- elif 'value' in metric_data:
- score = metric_data['value']
- elif isinstance(metric_data, (int, float)):
- score = metric_data
-
- if score is not None:
- # Asegurarse de que score es numérico
- if isinstance(score, (int, float)):
- # Determinar color y emoji basado en la puntuación
- if score < 0.5:
- emoji = "🔴"
- color = "#ffcccc" # light red
- elif score < 0.75:
- emoji = "🟡"
- color = "#ffffcc" # light yellow
- else:
- emoji = "🟢"
- color = "#ccffcc" # light green
-
- # Mostrar la métrica con estilo
- st.markdown(f"""
-
- {emoji} {metric_name.capitalize()}: {score:.2f}
-
- """, unsafe_allow_html=True)
- else:
- # Si no es numérico, mostrar como texto
- st.markdown(f"""
-
- ℹ️ {metric_name.capitalize()}: {str(score)}
-
- """, unsafe_allow_html=True)
- except Exception as e:
- logger.error(f"Error procesando métrica {metric_name}: {str(e)}")
-
- # Mostrar detalles adicionales si están disponibles
- with col2:
- st.subheader(t.get('details', 'Detalles'))
-
- # Para cada métrica, mostrar sus detalles si existen
- for metric_name, metric_data in metrics.items():
- try:
- if isinstance(metric_data, dict):
- # Mostrar detalles directamente o buscar en subcampos
- details = None
- if 'details' in metric_data and metric_data['details']:
- details = metric_data['details']
- else:
- # Crear un diccionario con los detalles excluyendo 'normalized_score' y similares
- details = {k: v for k, v in metric_data.items()
- if k not in ['normalized_score', 'score', 'value']}
-
- if details:
- st.write(f"**{metric_name.capitalize()}**")
- st.json(details, expanded=False)
- except Exception as e:
- logger.error(f"Error mostrando detalles de {metric_name}: {str(e)}")
- else:
- st.info(t.get('no_diagnosis', 'No hay datos de diagnóstico disponibles'))
-
- # Tab de recomendaciones
- with recommendations_tab:
- if recommendation_data and 'recommendations' in recommendation_data:
- st.markdown(f"""
-
- {recommendation_data['recommendations']}
-
- """, unsafe_allow_html=True)
- elif recommendation_data and 'feedback' in recommendation_data:
- st.markdown(f"""
-
- {recommendation_data['feedback']}
-
- """, unsafe_allow_html=True)
- else:
- st.info(t.get('no_recommendations', 'No hay recomendaciones disponibles'))
-
- except Exception as e:
- logger.error(f"Error procesando par de análisis: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando actividades de situación actual: {str(e)}")
- st.error(t.get('error_current_situation', 'Error al mostrar análisis de situación actual'))
-
-###############################################################################################
-
-def display_morphosyntax_activities(username: str, t: dict):
- """
- Muestra actividades de análisis morfosintáctico, incluyendo base e iteraciones
- desde las nuevas colecciones: student_morphosyntax_analysis_base y student_morphosyntax_iterations
- """
- try:
- # Importación inline para evitar problemas de circularidad
- # Utilizamos la función de la nueva estructura de DB iterativa
- from ..database.morphosyntax_iterative_mongo_db import get_student_morphosyntax_analysis
-
- logger.info(f"Recuperando análisis morfosintáctico para {username}")
-
- # Esta función ahora trae tanto las bases como sus iteraciones
- base_analyses = get_student_morphosyntax_analysis(username)
-
- if not base_analyses:
- logger.info("No se encontraron análisis morfosintácticos")
- st.info(t.get('no_morpho_analyses', 'No hay análisis morfosintácticos registrados'))
- return
-
- logger.info(f"Procesando {len(base_analyses)} análisis morfosintácticos base")
-
- # Procesar cada análisis base con sus iteraciones
- for base_analysis in base_analyses:
- try:
- # Formatear fecha
- timestamp = datetime.fromisoformat(base_analysis['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- # Título del expander: incluir información de si tiene iteraciones
- expander_title = f"{t.get('analysis_date', 'Fecha')}: {formatted_date}"
- if base_analysis.get('has_iterations', False):
- expander_title += f" ({t.get('has_iterations', 'Con iteraciones')})"
-
- with st.expander(expander_title, expanded=False):
- # Mostrar texto base
- st.subheader(t.get('base_text', 'Texto original'))
- st.text_area(
- "Base Text Content",
- value=base_analysis.get('text', ''),
- height=100,
- disabled=True,
- label_visibility="collapsed",
- key=f"base_text_{str(base_analysis['_id'])}"
- )
-
- # Mostrar diagrama de arco base si existe
- if 'arc_diagrams' in base_analysis and base_analysis['arc_diagrams']:
- st.subheader(t.get('syntactic_diagrams', 'Diagrama sintáctico (original)'))
- # Mostrar cada diagrama (normalmente solo uno por oración)
- for diagram in base_analysis['arc_diagrams']:
- st.write(diagram, unsafe_allow_html=True)
-
- # Procesar iteraciones si existen
- if 'iterations' in base_analysis and base_analysis['iterations']:
- st.markdown("---") # Línea divisoria
- st.subheader(t.get('iterations', 'Versiones mejoradas'))
-
- # Crear tabs para cada iteración
- iteration_tabs = st.tabs([
- f"{t.get('iteration', 'Versión')} {i+1}"
- for i in range(len(base_analysis['iterations']))
- ])
-
- # Mostrar cada iteración en su propia pestaña
- for i, (tab, iteration) in enumerate(zip(iteration_tabs, base_analysis['iterations'])):
- with tab:
- # Timestamp de la iteración
- iter_timestamp = datetime.fromisoformat(
- iteration['timestamp'].replace('Z', '+00:00'))
- iter_formatted_date = iter_timestamp.strftime("%d/%m/%Y %H:%M:%S")
- st.caption(f"{t.get('iteration_date', 'Fecha de versión')}: {iter_formatted_date}")
-
- # Texto de la iteración
- st.text_area(
- f"Iteration Text {i+1}",
- value=iteration.get('iteration_text', ''),
- height=100,
- disabled=True,
- label_visibility="collapsed",
- key=f"iter_text_{str(iteration['_id'])}"
- )
-
- # Diagrama de arco de la iteración
- if 'arc_diagrams' in iteration and iteration['arc_diagrams']:
- st.subheader(t.get('iteration_diagram', 'Diagrama sintáctico (mejorado)'))
- for diagram in iteration['arc_diagrams']:
- st.write(diagram, unsafe_allow_html=True)
-
- except Exception as e:
- logger.error(f"Error procesando análisis morfosintáctico: {str(e)}")
- st.error(t.get('error_processing_analysis', 'Error procesando este análisis'))
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando análisis morfosintáctico: {str(e)}")
- st.error(t.get('error_morpho', 'Error al mostrar análisis morfosintáctico'))
-
-
-###############################################################################################
-
-def display_semantic_activities(username: str, t: dict):
- """Muestra actividades de análisis semántico"""
- try:
- logger.info(f"Recuperando análisis semántico para {username}")
- analyses = get_student_semantic_analysis(username)
-
- if not analyses:
- logger.info("No se encontraron análisis semánticos")
- st.info(t.get('no_semantic_analyses', 'No hay análisis semánticos registrados'))
- return
-
- logger.info(f"Procesando {len(analyses)} análisis semánticos")
-
- for analysis in analyses:
- try:
- # Verificar campos necesarios
- if not all(key in analysis for key in ['timestamp', 'concept_graph']):
- logger.warning(f"Análisis incompleto: {analysis.keys()}")
- continue
-
- # Formatear fecha
- timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- # Crear expander
- with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
- # Procesar y mostrar gráfico
- if analysis.get('concept_graph'):
- try:
- # Convertir de base64 a bytes
- logger.debug("Decodificando gráfico de conceptos")
- image_data = analysis['concept_graph']
-
- # Si el gráfico ya es bytes, usarlo directamente
- if isinstance(image_data, bytes):
- image_bytes = image_data
- else:
- # Si es string base64, decodificar
- image_bytes = base64.b64decode(image_data)
-
- logger.debug(f"Longitud de bytes de imagen: {len(image_bytes)}")
-
- # Mostrar imagen
- st.image(
- image_bytes,
- caption=t.get('concept_network', 'Red de Conceptos'),
- use_column_width=True
- )
- logger.debug("Gráfico mostrado exitosamente")
-
- except Exception as img_error:
- logger.error(f"Error procesando gráfico: {str(img_error)}")
- st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
- else:
- st.info(t.get('no_graph', 'No hay visualización disponible'))
-
- except Exception as e:
- logger.error(f"Error procesando análisis individual: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando análisis semántico: {str(e)}")
- st.error(t.get('error_semantic', 'Error al mostrar análisis semántico'))
-
-###################################################################################################
-
-def display_discourse_activities(username: str, t: dict):
- """
- Muestra actividades de análisis del discurso centradas en las visualizaciones comparativas
- """
- try:
- logger.info(f"Recuperando análisis del discurso para {username}")
- analyses = get_student_discourse_analysis(username)
-
- if not analyses:
- logger.info("No se encontraron análisis del discurso")
- st.info(t.get('no_discourse_analyses', 'No hay análisis comparados de textos registrados'))
- return
-
- logger.info(f"Procesando {len(analyses)} análisis del discurso")
- for analysis in analyses:
- try:
- # Formatear fecha
- timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- # Título del expander
- expander_title = f"{t.get('analysis_date', 'Fecha')}: {formatted_date}"
-
- with st.expander(expander_title, expanded=False):
- # Mostrar conceptos clave en dos columnas
- if 'key_concepts1' in analysis and 'key_concepts2' in analysis:
- col1, col2 = st.columns(2)
-
- with col1:
- st.subheader(t.get('concepts_text_1', 'Conceptos Texto 1'))
- if analysis['key_concepts1']:
- df1 = pd.DataFrame(analysis['key_concepts1'], columns=['Concepto', 'Relevancia'])
- st.dataframe(df1, use_container_width=True)
-
- with col2:
- st.subheader(t.get('concepts_text_2', 'Conceptos Texto 2'))
- if analysis['key_concepts2']:
- df2 = pd.DataFrame(analysis['key_concepts2'], columns=['Concepto', 'Relevancia'])
- st.dataframe(df2, use_container_width=True)
-
- # Mostrar visualizaciones semánticas
- st.subheader(t.get('semantic_visualization', 'Visualización Semántica'))
-
- # Mostrar gráficos en fila
- graph_cols = st.columns(3)
-
- # Gráfico 1 (si existe)
- with graph_cols[0]:
- if analysis.get('graph1'):
- try:
- st.caption(t.get('graph1_caption', 'Grafo Texto 1'))
- if isinstance(analysis['graph1'], str) and analysis['graph1'].startswith('data:image'):
- import base64
- image_bytes = base64.b64decode(analysis['graph1'].split(',')[1])
- st.image(image_bytes, use_column_width=True)
- elif isinstance(analysis['graph1'], bytes):
- st.image(analysis['graph1'], use_column_width=True)
- elif analysis['graph1'] is not None:
- st.pyplot(analysis['graph1'])
- except Exception as e:
- logger.error(f"Error mostrando gráfico 1: {str(e)}")
- st.error(t.get('error_graph1', 'Error mostrando gráfico 1'))
-
- # Gráfico 2 (si existe)
- with graph_cols[1]:
- if analysis.get('graph2'):
- try:
- st.caption(t.get('graph2_caption', 'Grafo Texto 2'))
- if isinstance(analysis['graph2'], str) and analysis['graph2'].startswith('data:image'):
- import base64
- image_bytes = base64.b64decode(analysis['graph2'].split(',')[1])
- st.image(image_bytes, use_column_width=True)
- elif isinstance(analysis['graph2'], bytes):
- st.image(analysis['graph2'], use_column_width=True)
- elif analysis['graph2'] is not None:
- st.pyplot(analysis['graph2'])
- except Exception as e:
- logger.error(f"Error mostrando gráfico 2: {str(e)}")
- st.error(t.get('error_graph2', 'Error mostrando gráfico 2'))
-
- # Gráfico combinado (si existe) - en la última columna
- with graph_cols[2]:
- if analysis.get('combined_graph'):
- try:
- st.caption(t.get('combined_graph_caption', 'Grafo Comparativo'))
- if isinstance(analysis['combined_graph'], str):
- try:
- import base64
- # Intentar diferentes formatos de base64
- if analysis['combined_graph'].startswith('data:image'):
- image_bytes = base64.b64decode(analysis['combined_graph'].split(',')[1])
- else:
- image_bytes = base64.b64decode(analysis['combined_graph'])
- st.image(image_bytes, use_column_width=True)
- except:
- logger.error("Error decodificando imagen combinada")
- elif isinstance(analysis['combined_graph'], bytes):
- st.image(analysis['combined_graph'], use_column_width=True)
- elif analysis['combined_graph'] is not None:
- st.pyplot(analysis['combined_graph'])
- except Exception as e:
- logger.error(f"Error mostrando gráfico combinado: {str(e)}")
- st.error(t.get('error_combined_graph', 'Error mostrando gráfico combinado'))
-
- # Si no hay ningún gráfico disponible
- if all(analysis.get(k) is None for k in ['graph1', 'graph2', 'combined_graph']):
- st.info(t.get('no_visualizations', 'No hay visualizaciones disponibles para este análisis'))
-
- except Exception as e:
- logger.error(f"Error procesando análisis individual: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando análisis del discurso: {str(e)}")
- st.error(t.get('error_discourse', 'Error al mostrar análisis comparado de textos'))
-
-
-
-
-
-
-
-
-
-
-
-
-
-#################################################################################
-def display_chat_activities(username: str, t: dict):
- """
- Muestra historial de conversaciones del chat
- """
- try:
- # Obtener historial del chat
- chat_history = get_chat_history(
- username=username,
- analysis_type='sidebar',
- limit=50
- )
-
- if not chat_history:
- st.info(t.get('no_chat_history', 'No hay conversaciones registradas'))
- return
-
- for chat in reversed(chat_history): # Mostrar las más recientes primero
- try:
- # Convertir timestamp a datetime para formato
- timestamp = datetime.fromisoformat(chat['timestamp'].replace('Z', '+00:00'))
- formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
-
- with st.expander(
- f"{t.get('chat_date', 'Fecha de conversación')}: {formatted_date}",
- expanded=False
- ):
- if 'messages' in chat and chat['messages']:
- # Mostrar cada mensaje en la conversación
- for message in chat['messages']:
- role = message.get('role', 'unknown')
- content = message.get('content', '')
-
- # Usar el componente de chat de Streamlit
- with st.chat_message(role):
- st.markdown(content)
-
- # Agregar separador entre mensajes
- st.divider()
- else:
- st.warning(t.get('invalid_chat_format', 'Formato de chat no válido'))
-
- except Exception as e:
- logger.error(f"Error mostrando conversación: {str(e)}")
- continue
-
- except Exception as e:
- logger.error(f"Error mostrando historial del chat: {str(e)}")
- st.error(t.get('error_chat', 'Error al mostrar historial del chat'))
-
-#################################################################################
-def display_discourse_comparison(analysis: dict, t: dict):
- """Muestra la comparación de análisis del discurso"""
- # Cambiado para usar "textos comparados" en la UI
- st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
-
- col1, col2 = st.columns(2)
- with col1:
- st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}**")
- df1 = pd.DataFrame(analysis['key_concepts1'])
- st.dataframe(df1)
-
- with col2:
- st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}**")
- df2 = pd.DataFrame(analysis['key_concepts2'])
- st.dataframe(df2)
\ No newline at end of file
+##############
+###modules/studentact/student_activities_v2.py
+
+import streamlit as st
+import re
+import io
+from io import BytesIO
+import pandas as pd
+import numpy as np
+import time
+import matplotlib.pyplot as plt
+from datetime import datetime, timedelta
+from spacy import displacy
+import random
+import base64
+import seaborn as sns
+import logging
+
+# Importaciones de la base de datos
+from ..database.morphosintax_mongo_db import get_student_morphosyntax_analysis
+from ..database.semantic_mongo_db import get_student_semantic_analysis
+from ..database.discourse_mongo_db import get_student_discourse_analysis
+from ..database.chat_mongo_db import get_chat_history
+from ..database.current_situation_mongo_db import get_current_situation_analysis
+from ..database.claude_recommendations_mongo_db import get_claude_recommendations
+
+# Importar la función generate_unique_key
+from ..utils.widget_utils import generate_unique_key
+
+logger = logging.getLogger(__name__)
+
+###################################################################################
+
+def display_student_activities(username: str, lang_code: str, t: dict):
+ """
+ Muestra todas las actividades del estudiante
+ Args:
+ username: Nombre del estudiante
+ lang_code: Código del idioma
+ t: Diccionario de traducciones
+ """
+ try:
+ # Cambiado de "Mis Actividades" a "Registro de mis actividades"
+ #st.header(t.get('activities_title', 'Registro de mis actividades'))
+
+ # Tabs para diferentes tipos de análisis
+ # Cambiado "Análisis del Discurso" a "Análisis comparado de textos"
+ tabs = st.tabs([
+ t.get('current_situation_activities', 'Registros de la función: Mi Situación Actual'),
+ t.get('morpho_activities', 'Registros de mis análisis morfosintácticos'),
+ t.get('semantic_activities', 'Registros de mis análisis semánticos'),
+ t.get('discourse_activities', 'Registros de mis análisis comparado de textos'),
+ t.get('chat_activities', 'Registros de mis conversaciones con el tutor virtual')
+ ])
+
+ # Tab de Situación Actual
+ with tabs[0]:
+ display_current_situation_activities(username, t)
+
+ # Tab de Análisis Morfosintáctico
+ with tabs[1]:
+ display_morphosyntax_activities(username, t)
+
+ # Tab de Análisis Semántico
+ with tabs[2]:
+ display_semantic_activities(username, t)
+
+ # Tab de Análisis del Discurso (mantiene nombre interno pero UI muestra "Análisis comparado de textos")
+ with tabs[3]:
+ display_discourse_activities(username, t)
+
+ # Tab de Conversaciones del Chat
+ with tabs[4]:
+ display_chat_activities(username, t)
+
+ except Exception as e:
+ logger.error(f"Error mostrando actividades: {str(e)}")
+ st.error(t.get('error_loading_activities', 'Error al cargar las actividades'))
+
+
+###############################################################################################
+
+def display_current_situation_activities(username: str, t: dict):
+ """
+ Muestra análisis de situación actual junto con las recomendaciones de Claude
+ unificando la información de ambas colecciones y emparejándolas por cercanía temporal.
+ """
+ try:
+ # Recuperar datos de ambas colecciones
+ logger.info(f"Recuperando análisis de situación actual para {username}")
+ situation_analyses = get_current_situation_analysis(username, limit=10)
+
+ # Verificar si hay datos
+ if situation_analyses:
+ logger.info(f"Recuperados {len(situation_analyses)} análisis de situación")
+ # Depurar para ver la estructura de datos
+ for i, analysis in enumerate(situation_analyses):
+ logger.info(f"Análisis #{i+1}: Claves disponibles: {list(analysis.keys())}")
+ if 'metrics' in analysis:
+ logger.info(f"Métricas disponibles: {list(analysis['metrics'].keys())}")
+ else:
+ logger.warning("No se encontraron análisis de situación actual")
+
+ logger.info(f"Recuperando recomendaciones de Claude para {username}")
+ claude_recommendations = get_claude_recommendations(username)
+
+ if claude_recommendations:
+ logger.info(f"Recuperadas {len(claude_recommendations)} recomendaciones de Claude")
+ else:
+ logger.warning("No se encontraron recomendaciones de Claude")
+
+ # Verificar si hay algún tipo de análisis disponible
+ if not situation_analyses and not claude_recommendations:
+ logger.info("No se encontraron análisis de situación actual ni recomendaciones")
+ st.info(t.get('no_current_situation', 'No hay análisis de situación actual registrados'))
+ return
+
+ # Crear pares combinados emparejando diagnósticos y recomendaciones cercanos en tiempo
+ logger.info("Creando emparejamientos temporales de análisis")
+
+ # Convertir timestamps a objetos datetime para comparación
+ situation_times = []
+ for analysis in situation_analyses:
+ if 'timestamp' in analysis:
+ try:
+ timestamp_str = analysis['timestamp']
+ dt = datetime.fromisoformat(timestamp_str.replace('Z', '+00:00'))
+ situation_times.append((dt, analysis))
+ except Exception as e:
+ logger.error(f"Error parseando timestamp de situación: {str(e)}")
+
+ recommendation_times = []
+ for recommendation in claude_recommendations:
+ if 'timestamp' in recommendation:
+ try:
+ timestamp_str = recommendation['timestamp']
+ dt = datetime.fromisoformat(timestamp_str.replace('Z', '+00:00'))
+ recommendation_times.append((dt, recommendation))
+ except Exception as e:
+ logger.error(f"Error parseando timestamp de recomendación: {str(e)}")
+
+ # Ordenar por tiempo
+ situation_times.sort(key=lambda x: x[0], reverse=True)
+ recommendation_times.sort(key=lambda x: x[0], reverse=True)
+
+ # Crear pares combinados
+ combined_items = []
+
+ # Primero, procesar todas las situaciones encontrando la recomendación más cercana
+ for sit_time, situation in situation_times:
+ # Buscar la recomendación más cercana en tiempo
+ best_match = None
+ min_diff = timedelta(minutes=30) # Máxima diferencia de tiempo aceptable (30 minutos)
+ best_rec_time = None
+
+ for rec_time, recommendation in recommendation_times:
+ time_diff = abs(sit_time - rec_time)
+ if time_diff < min_diff:
+ min_diff = time_diff
+ best_match = recommendation
+ best_rec_time = rec_time
+
+ # Crear un elemento combinado
+ if best_match:
+ timestamp_key = sit_time.isoformat()
+ combined_items.append((timestamp_key, {
+ 'situation': situation,
+ 'recommendation': best_match,
+ 'time_diff': min_diff.total_seconds()
+ }))
+ # Eliminar la recomendación usada para no reutilizarla
+ recommendation_times = [(t, r) for t, r in recommendation_times if t != best_rec_time]
+ logger.info(f"Emparejado: Diagnóstico {sit_time} con Recomendación {best_rec_time} (diferencia: {min_diff})")
+ else:
+ # Si no hay recomendación cercana, solo incluir la situación
+ timestamp_key = sit_time.isoformat()
+ combined_items.append((timestamp_key, {
+ 'situation': situation
+ }))
+ logger.info(f"Sin emparejar: Diagnóstico {sit_time} sin recomendación cercana")
+
+ # Agregar recomendaciones restantes sin situación
+ for rec_time, recommendation in recommendation_times:
+ timestamp_key = rec_time.isoformat()
+ combined_items.append((timestamp_key, {
+ 'recommendation': recommendation
+ }))
+ logger.info(f"Sin emparejar: Recomendación {rec_time} sin diagnóstico cercano")
+
+ # Ordenar por tiempo (más reciente primero)
+ combined_items.sort(key=lambda x: x[0], reverse=True)
+
+ logger.info(f"Procesando {len(combined_items)} elementos combinados")
+
+ # Mostrar cada par combinado
+ for i, (timestamp_key, analysis_pair) in enumerate(combined_items):
+ try:
+ # Obtener datos de situación y recomendación
+ situation_data = analysis_pair.get('situation', {})
+ recommendation_data = analysis_pair.get('recommendation', {})
+ time_diff = analysis_pair.get('time_diff')
+
+ # Si no hay ningún dato, continuar al siguiente
+ if not situation_data and not recommendation_data:
+ continue
+
+ # Determinar qué texto mostrar (priorizar el de la situación)
+ text_to_show = situation_data.get('text', recommendation_data.get('text', ''))
+ text_type = situation_data.get('text_type', recommendation_data.get('text_type', ''))
+
+ # Formatear fecha para mostrar
+ try:
+ # Usar timestamp del key que ya es un formato ISO
+ dt = datetime.fromisoformat(timestamp_key)
+ formatted_date = dt.strftime("%d/%m/%Y %H:%M:%S")
+ except Exception as date_error:
+ logger.error(f"Error formateando fecha: {str(date_error)}")
+ formatted_date = timestamp_key
+
+ # Determinar el título del expander
+ title = f"{t.get('analysis_date', 'Fecha')}: {formatted_date}"
+ if text_type:
+ text_type_display = {
+ 'academic_article': t.get('academic_article', 'Artículo académico'),
+ 'student_essay': t.get('student_essay', 'Trabajo universitario'),
+ 'general_communication': t.get('general_communication', 'Comunicación general')
+ }.get(text_type, text_type)
+ title += f" - {text_type_display}"
+
+ # Añadir indicador de emparejamiento si existe
+ if time_diff is not None:
+ if time_diff < 60: # menos de un minuto
+ title += f" 🔄 (emparejados)"
+ else:
+ title += f" 🔄 (emparejados, diferencia: {int(time_diff//60)} min)"
+
+ # Usar un ID único para cada expander
+ expander_id = f"analysis_{i}_{timestamp_key.replace(':', '_')}"
+
+ # Mostrar el análisis en un expander
+ with st.expander(title, expanded=False):
+ # Mostrar texto analizado con key único
+ st.subheader(t.get('analyzed_text', 'Texto analizado'))
+ st.text_area(
+ "Text Content",
+ value=text_to_show,
+ height=100,
+ disabled=True,
+ label_visibility="collapsed",
+ key=f"text_area_{expander_id}"
+ )
+
+ # Crear tabs para separar diagnóstico y recomendaciones
+ diagnosis_tab, recommendations_tab = st.tabs([
+ t.get('diagnosis_tab', 'Diagnóstico'),
+ t.get('recommendations_tab', 'Recomendaciones')
+ ])
+
+ # Tab de diagnóstico
+ with diagnosis_tab:
+ if situation_data and 'metrics' in situation_data:
+ metrics = situation_data['metrics']
+
+ # Dividir en dos columnas
+ col1, col2 = st.columns(2)
+
+ # Principales métricas en formato de tarjetas
+ with col1:
+ st.subheader(t.get('key_metrics', 'Métricas clave'))
+
+ # Mostrar cada métrica principal
+ for metric_name, metric_data in metrics.items():
+ try:
+ # Determinar la puntuación
+ score = None
+ if isinstance(metric_data, dict):
+ # Intentar diferentes nombres de campo
+ if 'normalized_score' in metric_data:
+ score = metric_data['normalized_score']
+ elif 'score' in metric_data:
+ score = metric_data['score']
+ elif 'value' in metric_data:
+ score = metric_data['value']
+ elif isinstance(metric_data, (int, float)):
+ score = metric_data
+
+ if score is not None:
+ # Asegurarse de que score es numérico
+ if isinstance(score, (int, float)):
+ # Determinar color y emoji basado en la puntuación
+ if score < 0.5:
+ emoji = "🔴"
+ color = "#ffcccc" # light red
+ elif score < 0.75:
+ emoji = "🟡"
+ color = "#ffffcc" # light yellow
+ else:
+ emoji = "🟢"
+ color = "#ccffcc" # light green
+
+ # Mostrar la métrica con estilo
+ st.markdown(f"""
+
+ {emoji} {metric_name.capitalize()}: {score:.2f}
+
+ """, unsafe_allow_html=True)
+ else:
+ # Si no es numérico, mostrar como texto
+ st.markdown(f"""
+
+ ℹ️ {metric_name.capitalize()}: {str(score)}
+
+ """, unsafe_allow_html=True)
+ except Exception as e:
+ logger.error(f"Error procesando métrica {metric_name}: {str(e)}")
+
+ # Mostrar detalles adicionales si están disponibles
+ with col2:
+ st.subheader(t.get('details', 'Detalles'))
+
+ # Para cada métrica, mostrar sus detalles si existen
+ for metric_name, metric_data in metrics.items():
+ try:
+ if isinstance(metric_data, dict):
+ # Mostrar detalles directamente o buscar en subcampos
+ details = None
+ if 'details' in metric_data and metric_data['details']:
+ details = metric_data['details']
+ else:
+ # Crear un diccionario con los detalles excluyendo 'normalized_score' y similares
+ details = {k: v for k, v in metric_data.items()
+ if k not in ['normalized_score', 'score', 'value']}
+
+ if details:
+ st.write(f"**{metric_name.capitalize()}**")
+ st.json(details, expanded=False)
+ except Exception as e:
+ logger.error(f"Error mostrando detalles de {metric_name}: {str(e)}")
+ else:
+ st.info(t.get('no_diagnosis', 'No hay datos de diagnóstico disponibles'))
+
+ # Tab de recomendaciones
+ with recommendations_tab:
+ if recommendation_data and 'recommendations' in recommendation_data:
+ st.markdown(f"""
+
+ {recommendation_data['recommendations']}
+
+ """, unsafe_allow_html=True)
+ elif recommendation_data and 'feedback' in recommendation_data:
+ st.markdown(f"""
+
+ {recommendation_data['feedback']}
+
+ """, unsafe_allow_html=True)
+ else:
+ st.info(t.get('no_recommendations', 'No hay recomendaciones disponibles'))
+
+ except Exception as e:
+ logger.error(f"Error procesando par de análisis: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando actividades de situación actual: {str(e)}")
+ st.error(t.get('error_current_situation', 'Error al mostrar análisis de situación actual'))
+
+###############################################################################################
+
+def display_morphosyntax_activities(username: str, t: dict):
+ """
+ Muestra actividades de análisis morfosintáctico, incluyendo base e iteraciones
+ desde las nuevas colecciones: student_morphosyntax_analysis_base y student_morphosyntax_iterations
+ """
+ try:
+ # Importación inline para evitar problemas de circularidad
+ # Utilizamos la función de la nueva estructura de DB iterativa
+ from ..database.morphosyntax_iterative_mongo_db import get_student_morphosyntax_analysis
+
+ logger.info(f"Recuperando análisis morfosintáctico para {username}")
+
+ # Esta función ahora trae tanto las bases como sus iteraciones
+ base_analyses = get_student_morphosyntax_analysis(username)
+
+ if not base_analyses:
+ logger.info("No se encontraron análisis morfosintácticos")
+ st.info(t.get('no_morpho_analyses', 'No hay análisis morfosintácticos registrados'))
+ return
+
+ logger.info(f"Procesando {len(base_analyses)} análisis morfosintácticos base")
+
+ # Procesar cada análisis base con sus iteraciones
+ for base_analysis in base_analyses:
+ try:
+ # Formatear fecha
+ timestamp = datetime.fromisoformat(base_analysis['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ # Título del expander: incluir información de si tiene iteraciones
+ expander_title = f"{t.get('analysis_date', 'Fecha')}: {formatted_date}"
+ if base_analysis.get('has_iterations', False):
+ expander_title += f" ({t.get('has_iterations', 'Con iteraciones')})"
+
+ with st.expander(expander_title, expanded=False):
+ # Mostrar texto base
+ st.subheader(t.get('base_text', 'Texto original'))
+ st.text_area(
+ "Base Text Content",
+ value=base_analysis.get('text', ''),
+ height=100,
+ disabled=True,
+ label_visibility="collapsed",
+ key=f"base_text_{str(base_analysis['_id'])}"
+ )
+
+ # Mostrar diagrama de arco base si existe
+ if 'arc_diagrams' in base_analysis and base_analysis['arc_diagrams']:
+ st.subheader(t.get('syntactic_diagrams', 'Diagrama sintáctico (original)'))
+ # Mostrar cada diagrama (normalmente solo uno por oración)
+ for diagram in base_analysis['arc_diagrams']:
+ st.write(diagram, unsafe_allow_html=True)
+
+ # Procesar iteraciones si existen
+ if 'iterations' in base_analysis and base_analysis['iterations']:
+ st.markdown("---") # Línea divisoria
+ st.subheader(t.get('iterations', 'Versiones mejoradas'))
+
+ # Crear tabs para cada iteración
+ iteration_tabs = st.tabs([
+ f"{t.get('iteration', 'Versión')} {i+1}"
+ for i in range(len(base_analysis['iterations']))
+ ])
+
+ # Mostrar cada iteración en su propia pestaña
+ for i, (tab, iteration) in enumerate(zip(iteration_tabs, base_analysis['iterations'])):
+ with tab:
+ # Timestamp de la iteración
+ iter_timestamp = datetime.fromisoformat(
+ iteration['timestamp'].replace('Z', '+00:00'))
+ iter_formatted_date = iter_timestamp.strftime("%d/%m/%Y %H:%M:%S")
+ st.caption(f"{t.get('iteration_date', 'Fecha de versión')}: {iter_formatted_date}")
+
+ # Texto de la iteración
+ st.text_area(
+ f"Iteration Text {i+1}",
+ value=iteration.get('iteration_text', ''),
+ height=100,
+ disabled=True,
+ label_visibility="collapsed",
+ key=f"iter_text_{str(iteration['_id'])}"
+ )
+
+ # Diagrama de arco de la iteración
+ if 'arc_diagrams' in iteration and iteration['arc_diagrams']:
+ st.subheader(t.get('iteration_diagram', 'Diagrama sintáctico (mejorado)'))
+ for diagram in iteration['arc_diagrams']:
+ st.write(diagram, unsafe_allow_html=True)
+
+ except Exception as e:
+ logger.error(f"Error procesando análisis morfosintáctico: {str(e)}")
+ st.error(t.get('error_processing_analysis', 'Error procesando este análisis'))
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis morfosintáctico: {str(e)}")
+ st.error(t.get('error_morpho', 'Error al mostrar análisis morfosintáctico'))
+
+
+###############################################################################################
+
+def display_semantic_activities(username: str, t: dict):
+ """Muestra actividades de análisis semántico"""
+ try:
+ logger.info(f"Recuperando análisis semántico para {username}")
+ analyses = get_student_semantic_analysis(username)
+
+ if not analyses:
+ logger.info("No se encontraron análisis semánticos")
+ st.info(t.get('no_semantic_analyses', 'No hay análisis semánticos registrados'))
+ return
+
+ logger.info(f"Procesando {len(analyses)} análisis semánticos")
+
+ for analysis in analyses:
+ try:
+ # Verificar campos necesarios
+ if not all(key in analysis for key in ['timestamp', 'concept_graph']):
+ logger.warning(f"Análisis incompleto: {analysis.keys()}")
+ continue
+
+ # Formatear fecha
+ timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ # Crear expander
+ with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
+ # Procesar y mostrar gráfico
+ if analysis.get('concept_graph'):
+ try:
+ # Convertir de base64 a bytes
+ logger.debug("Decodificando gráfico de conceptos")
+ image_data = analysis['concept_graph']
+
+ # Si el gráfico ya es bytes, usarlo directamente
+ if isinstance(image_data, bytes):
+ image_bytes = image_data
+ else:
+ # Si es string base64, decodificar
+ image_bytes = base64.b64decode(image_data)
+
+ logger.debug(f"Longitud de bytes de imagen: {len(image_bytes)}")
+
+ # Mostrar imagen
+ st.image(
+ image_bytes,
+ caption=t.get('concept_network', 'Red de Conceptos'),
+ use_container_width=True
+ )
+ logger.debug("Gráfico mostrado exitosamente")
+
+ except Exception as img_error:
+ logger.error(f"Error procesando gráfico: {str(img_error)}")
+ st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
+ else:
+ st.info(t.get('no_graph', 'No hay visualización disponible'))
+
+ except Exception as e:
+ logger.error(f"Error procesando análisis individual: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis semántico: {str(e)}")
+ st.error(t.get('error_semantic', 'Error al mostrar análisis semántico'))
+
+
+###################################################################################################
+
+def display_discourse_activities(username: str, t: dict):
+ """Muestra actividades de análisis del discurso (mostrado como 'Análisis comparado de textos' en la UI)"""
+ try:
+ logger.info(f"Recuperando análisis del discurso para {username}")
+ analyses = get_student_discourse_analysis(username)
+
+ if not analyses:
+ logger.info("No se encontraron análisis del discurso")
+ # Usamos el término "análisis comparado de textos" en la UI
+ st.info(t.get('no_discourse_analyses', 'No hay análisis comparados de textos registrados'))
+ return
+
+ logger.info(f"Procesando {len(analyses)} análisis del discurso")
+ for analysis in analyses:
+ try:
+ # Verificar campos mínimos necesarios
+ if not all(key in analysis for key in ['timestamp']):
+ logger.warning(f"Análisis incompleto: {analysis.keys()}")
+ continue
+
+ # Formatear fecha
+ timestamp = datetime.fromisoformat(analysis['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ with st.expander(f"{t.get('analysis_date', 'Fecha')}: {formatted_date}", expanded=False):
+ # Crear dos columnas para mostrar los documentos lado a lado
+ col1, col2 = st.columns(2)
+
+ # Documento 1 - Columna izquierda
+ with col1:
+ st.subheader(t.get('doc1_title', 'Documento 1'))
+ st.markdown(t.get('key_concepts', 'Conceptos Clave'))
+
+ # Mostrar conceptos clave en formato de etiquetas
+ if 'key_concepts1' in analysis and analysis['key_concepts1']:
+ concepts_html = f"""
+
+ {''.join([
+ f'
+ """
+ st.markdown(concepts_html, unsafe_allow_html=True)
+ else:
+ st.info(t.get('no_concepts', 'No hay conceptos disponibles'))
+
+ # Mostrar grafo 1
+ if 'graph1' in analysis:
+ try:
+ if isinstance(analysis['graph1'], bytes):
+ st.image(
+ analysis['graph1'],
+ use_container_width=True
+ )
+ else:
+ logger.warning(f"graph1 no es bytes: {type(analysis['graph1'])}")
+ st.warning(t.get('graph_not_available', 'Gráfico no disponible'))
+ except Exception as e:
+ logger.error(f"Error mostrando graph1: {str(e)}")
+ st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
+ else:
+ st.info(t.get('no_visualization', 'No hay visualización disponible'))
+
+ # Interpretación del grafo
+ st.markdown("**📊 Interpretación del grafo:**")
+ st.markdown("""
+ - 🔀 Las flechas indican la dirección de la relación entre conceptos
+ - 🎨 Los colores más intensos indican conceptos más centrales en el texto
+ - ⭕ El tamaño de los nodos representa la frecuencia del concepto
+ - ↔️ El grosor de las líneas indica la fuerza de la conexión
+ """)
+
+ # Documento 2 - Columna derecha
+ with col2:
+ st.subheader(t.get('doc2_title', 'Documento 2'))
+ st.markdown(t.get('key_concepts', 'Conceptos Clave'))
+
+ # Mostrar conceptos clave en formato de etiquetas
+ if 'key_concepts2' in analysis and analysis['key_concepts2']:
+ concepts_html = f"""
+ '
+ f'{concept}'
+ f'({freq:.2f})
'
+ for concept, freq in analysis['key_concepts1']
+ ])}
+
+ {''.join([
+ f'
+ """
+ st.markdown(concepts_html, unsafe_allow_html=True)
+ else:
+ st.info(t.get('no_concepts', 'No hay conceptos disponibles'))
+
+ # Mostrar grafo 2
+ if 'graph2' in analysis:
+ try:
+ if isinstance(analysis['graph2'], bytes):
+ st.image(
+ analysis['graph2'],
+ use_container_width=True
+ )
+ else:
+ logger.warning(f"graph2 no es bytes: {type(analysis['graph2'])}")
+ st.warning(t.get('graph_not_available', 'Gráfico no disponible'))
+ except Exception as e:
+ logger.error(f"Error mostrando graph2: {str(e)}")
+ st.error(t.get('error_loading_graph', 'Error al cargar el gráfico'))
+ else:
+ st.info(t.get('no_visualization', 'No hay visualización disponible'))
+
+ # Interpretación del grafo
+ st.markdown("**📊 Interpretación del grafo:**")
+ st.markdown("""
+ - 🔀 Las flechas indican la dirección de la relación entre conceptos
+ - 🎨 Los colores más intensos indican conceptos más centrales en el texto
+ - ⭕ El tamaño de los nodos representa la frecuencia del concepto
+ - ↔️ El grosor de las líneas indica la fuerza de la conexión
+ """)
+
+ except Exception as e:
+ logger.error(f"Error procesando análisis individual: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando análisis del discurso: {str(e)}")
+ # Usamos el término "análisis comparado de textos" en la UI
+ st.error(t.get('error_discourse', 'Error al mostrar análisis comparado de textos'))
+
+
+
+#################################################################################
+
+def display_discourse_comparison(analysis: dict, t: dict):
+ """
+ Muestra la comparación de conceptos clave en análisis del discurso.
+ Formato horizontal simplificado.
+ """
+ st.subheader(t.get('comparison_results', 'Resultados de la comparación'))
+
+ # Verificar si tenemos los conceptos necesarios
+ if not ('key_concepts1' in analysis and analysis['key_concepts1']):
+ st.info(t.get('no_concepts', 'No hay conceptos disponibles para comparar'))
+ return
+
+ # Conceptos del Texto 1 - Formato horizontal
+ st.markdown(f"**{t.get('concepts_text_1', 'Conceptos Texto 1')}:**")
+ try:
+ # Comprobar formato y mostrar horizontalmente
+ if isinstance(analysis['key_concepts1'], list) and len(analysis['key_concepts1']) > 0:
+ if isinstance(analysis['key_concepts1'][0], list) and len(analysis['key_concepts1'][0]) == 2:
+ # Formatear como "concepto (valor), concepto2 (valor2), ..."
+ concepts_text = ", ".join([f"{c[0]} ({c[1]})" for c in analysis['key_concepts1'][:10]])
+ st.markdown(f"*{concepts_text}*")
+ else:
+ # Si no tiene el formato esperado, mostrar como lista simple
+ st.markdown(", ".join(str(c) for c in analysis['key_concepts1'][:10]))
+ else:
+ st.write(str(analysis['key_concepts1']))
+ except Exception as e:
+ logger.error(f"Error mostrando key_concepts1: {str(e)}")
+ st.error(t.get('error_concepts1', 'Error mostrando conceptos del Texto 1'))
+
+ # Conceptos del Texto 2 - Formato horizontal
+ st.markdown(f"**{t.get('concepts_text_2', 'Conceptos Texto 2')}:**")
+ if 'key_concepts2' in analysis and analysis['key_concepts2']:
+ try:
+ # Comprobar formato y mostrar horizontalmente
+ if isinstance(analysis['key_concepts2'], list) and len(analysis['key_concepts2']) > 0:
+ if isinstance(analysis['key_concepts2'][0], list) and len(analysis['key_concepts2'][0]) == 2:
+ # Formatear como "concepto (valor), concepto2 (valor2), ..."
+ concepts_text = ", ".join([f"{c[0]} ({c[1]})" for c in analysis['key_concepts2'][:10]])
+ st.markdown(f"*{concepts_text}*")
+ else:
+ # Si no tiene el formato esperado, mostrar como lista simple
+ st.markdown(", ".join(str(c) for c in analysis['key_concepts2'][:10]))
+ else:
+ st.write(str(analysis['key_concepts2']))
+ except Exception as e:
+ logger.error(f"Error mostrando key_concepts2: {str(e)}")
+ st.error(t.get('error_concepts2', 'Error mostrando conceptos del Texto 2'))
+ else:
+ st.info(t.get('no_concepts2', 'No hay conceptos disponibles para el Texto 2'))
+
+
+#################################################################################
+def display_chat_activities(username: str, t: dict):
+ """
+ Muestra historial de conversaciones del chat
+ """
+ try:
+ # Obtener historial del chat
+ chat_history = get_chat_history(
+ username=username,
+ analysis_type='sidebar',
+ limit=50
+ )
+
+ if not chat_history:
+ st.info(t.get('no_chat_history', 'No hay conversaciones registradas'))
+ return
+
+ for chat in reversed(chat_history): # Mostrar las más recientes primero
+ try:
+ # Convertir timestamp a datetime para formato
+ timestamp = datetime.fromisoformat(chat['timestamp'].replace('Z', '+00:00'))
+ formatted_date = timestamp.strftime("%d/%m/%Y %H:%M:%S")
+
+ with st.expander(
+ f"{t.get('chat_date', 'Fecha de conversación')}: {formatted_date}",
+ expanded=False
+ ):
+ if 'messages' in chat and chat['messages']:
+ # Mostrar cada mensaje en la conversación
+ for message in chat['messages']:
+ role = message.get('role', 'unknown')
+ content = message.get('content', '')
+
+ # Usar el componente de chat de Streamlit
+ with st.chat_message(role):
+ st.markdown(content)
+
+ # Agregar separador entre mensajes
+ st.divider()
+ else:
+ st.warning(t.get('invalid_chat_format', 'Formato de chat no válido'))
+
+ except Exception as e:
+ logger.error(f"Error mostrando conversación: {str(e)}")
+ continue
+
+ except Exception as e:
+ logger.error(f"Error mostrando historial del chat: {str(e)}")
+ st.error(t.get('error_chat', 'Error al mostrar historial del chat'))
+
+#################################################################################
diff --git a/modules/studentact/temp_current_situation_interface.py b/modules/studentact/temp_current_situation_interface.py
index 682484db7ddc4e3b8893d96fc6db10c317f3f71c..c5c62f53c8f66bfd658f68862f06b5624f34b0bf 100644
--- a/modules/studentact/temp_current_situation_interface.py
+++ b/modules/studentact/temp_current_situation_interface.py
@@ -1,311 +1,311 @@
-# modules/studentact/current_situation_interface.py
-
-import streamlit as st
-import logging
-from ..utils.widget_utils import generate_unique_key
-from .current_situation_analysis import (
- analyze_text_dimensions,
- create_vocabulary_network,
- create_syntax_complexity_graph,
- create_cohesion_heatmap
-)
-
-logger = logging.getLogger(__name__)
-
-def display_current_situation_interface(lang_code, nlp_models, t):
- """
- Interfaz modular para el análisis de la situación actual del estudiante.
- Esta función maneja la presentación y la interacción con el usuario.
-
- Args:
- lang_code: Código del idioma actual
- nlp_models: Diccionario de modelos de spaCy cargados
- t: Diccionario de traducciones
- """
- st.markdown("## Mi Situación Actual de Escritura")
-
- # Container principal para mejor organización visual
- with st.container():
- # Columnas para entrada y visualización
- text_col, visual_col = st.columns([1,2])
-
- with text_col:
- # Área de entrada de texto
- text_input = st.text_area(
- t.get('current_situation_input', "Ingresa tu texto para analizar:"),
- height=400,
- key=generate_unique_key("current_situation", "input")
- )
-
- # Botón de análisis
- if st.button(
- t.get('analyze_button', "Explorar mi escritura"),
- type="primary",
- disabled=not text_input,
- key=generate_unique_key("current_situation", "analyze")
- ):
- try:
- with st.spinner(t.get('processing', "Analizando texto...")):
- # 1. Procesar el texto
- doc = nlp_models[lang_code](text_input)
- metrics = analyze_text_dimensions(doc)
-
- # 2. Mostrar visualizaciones en la columna derecha
- with visual_col:
- display_current_situation_visual(doc, metrics)
-
- # 3. Obtener retroalimentación de Claude
- feedback = get_claude_feedback(metrics, text_input)
-
- # 4. Guardar los resultados
- from ..database.current_situation_mongo_db import store_current_situation_result
-
- if st.button(t.get('analyze_button', "Explorar mi escritura")):
- with st.spinner(t.get('processing', "Analizando texto...")):
- # Procesar y analizar
- doc = nlp_models[lang_code](text_input)
-
- # Obtener métricas con manejo de errores
- try:
- metrics = analyze_text_dimensions(doc)
- except Exception as e:
- logger.error(f"Error en análisis: {str(e)}")
- st.error("Error en el análisis de dimensiones")
- return
-
- # Obtener feedback
- try:
- feedback = get_claude_feedback(metrics, text_input)
- except Exception as e:
- logger.error(f"Error obteniendo feedback: {str(e)}")
- st.error("Error obteniendo retroalimentación")
- return
-
- # Guardar resultados con verificación
- if store_current_situation_result(
- st.session_state.username,
- text_input,
- metrics,
- feedback
- ):
- st.success(t.get('save_success', "Análisis guardado"))
-
- # Mostrar visualizaciones y recomendaciones
- display_current_situation_visual(doc, metrics)
- show_recommendations(feedback, t)
- else:
- st.error("Error al guardar el análisis")
-
- except Exception as e:
- logger.error(f"Error en interfaz: {str(e)}")
- st.error("Error general en la interfaz")
-
-################################################################
-def display_current_situation_visual(doc, metrics):
- """Visualización mejorada de resultados con interpretaciones"""
- try:
- with st.container():
- # Estilos CSS mejorados para los contenedores
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # 1. Riqueza de Vocabulario
- with st.expander("📚 Riqueza de Vocabulario", expanded=True):
- st.markdown(''
+ f'{concept}'
+ f'({freq:.2f})
'
+ for concept, freq in analysis['key_concepts2']
+ ])}
+ ', unsafe_allow_html=True)
- vocabulary_graph = create_vocabulary_network(doc)
- if vocabulary_graph:
- # Mostrar gráfico
- st.pyplot(vocabulary_graph)
- plt.close(vocabulary_graph)
-
- # Interpretación
- st.markdown('
", unsafe_allow_html=True)
-
- # 2. Estructura de Oraciones
- with st.expander("🏗️ Complejidad Estructural", expanded=True):
- st.markdown('', unsafe_allow_html=True)
- st.markdown("**¿Qué significa este gráfico?**")
- st.markdown("""
- - 🔵 Los nodos azules representan palabras clave en tu texto
- - 📏 El tamaño de cada nodo indica su frecuencia de uso
- - 🔗 Las líneas conectan palabras que aparecen juntas frecuentemente
- - 🎨 Los colores más intensos indican palabras más centrales
- """)
- st.markdown("
", unsafe_allow_html=True)
- st.markdown("', unsafe_allow_html=True)
- syntax_graph = create_syntax_complexity_graph(doc)
- if syntax_graph:
- st.pyplot(syntax_graph)
- plt.close(syntax_graph)
-
- st.markdown('
", unsafe_allow_html=True)
-
- # 3. Cohesión Textual
- with st.expander("🔄 Cohesión del Texto", expanded=True):
- st.markdown('', unsafe_allow_html=True)
- st.markdown("**Análisis de la estructura:**")
- st.markdown("""
- - 📊 Las barras muestran la complejidad de cada oración
- - 📈 Mayor altura indica estructuras más elaboradas
- - 🎯 La línea punteada indica el nivel óptimo de complejidad
- - 🔄 Variación en las alturas sugiere dinamismo en la escritura
- """)
- st.markdown("
", unsafe_allow_html=True)
- st.markdown("', unsafe_allow_html=True)
- cohesion_map = create_cohesion_heatmap(doc)
- if cohesion_map:
- st.pyplot(cohesion_map)
- plt.close(cohesion_map)
-
- st.markdown('
", unsafe_allow_html=True)
-
- # 4. Métricas Generales
- with st.expander("📊 Resumen de Métricas", expanded=True):
- col1, col2, col3 = st.columns(3)
-
- with col1:
- st.metric(
- "Diversidad Léxica",
- f"{metrics['vocabulary_richness']:.2f}/1.0",
- help="Mide la variedad de palabras diferentes utilizadas"
- )
-
- with col2:
- st.metric(
- "Complejidad Estructural",
- f"{metrics['structural_complexity']:.2f}/1.0",
- help="Indica qué tan elaboradas son las estructuras de las oraciones"
- )
-
- with col3:
- st.metric(
- "Cohesión Textual",
- f"{metrics['cohesion_score']:.2f}/1.0",
- help="Evalúa qué tan bien conectadas están las ideas entre sí"
- )
-
- except Exception as e:
- logger.error(f"Error en visualización: {str(e)}")
- st.error("Error al generar las visualizaciones")
-
-################################################################
-def show_recommendations(feedback, t):
- """
- Muestra las recomendaciones y ejercicios personalizados para el estudiante,
- permitiendo el seguimiento de su progreso.
-
- Args:
- feedback: Diccionario con retroalimentación y ejercicios recomendados
- t: Diccionario de traducciones
- """
- st.markdown("### " + t.get('recommendations_title', "Recomendaciones para mejorar"))
-
- for area, exercises in feedback['recommendations'].items():
- with st.expander(f"💡 {area}"):
- try:
- # Descripción del área de mejora
- st.markdown(exercises['description'])
-
- # Obtener el historial de ejercicios del estudiante
- from ..database.current_situation_mongo_db import get_student_exercises_history
- exercises_history = get_student_exercises_history(st.session_state.username)
-
- # Separar ejercicios en completados y pendientes
- completed = exercises_history.get(area, [])
-
- # Mostrar estado actual
- progress_col1, progress_col2 = st.columns([3,1])
- with progress_col1:
- st.markdown("**Ejercicio sugerido:**")
- st.markdown(exercises['activity'])
-
- with progress_col2:
- # Verificar si el ejercicio ya está completado
- exercise_key = f"{area}_{exercises['activity']}"
- is_completed = exercise_key in completed
-
- if is_completed:
- st.success("✅ Completado")
- else:
- # Botón para marcar ejercicio como completado
- if st.button(
- t.get('mark_complete', "Marcar como completado"),
- key=generate_unique_key("exercise", area),
- type="primary"
- ):
- try:
- from ..database.current_situation_mongo_db import update_exercise_status
-
- # Actualizar estado del ejercicio
- success = update_exercise_status(
- username=st.session_state.username,
- area=area,
- exercise=exercises['activity'],
- completed=True
- )
-
- if success:
- st.success(t.get(
- 'exercise_completed',
- "¡Ejercicio marcado como completado!"
- ))
- st.rerun()
- else:
- st.error(t.get(
- 'exercise_error',
- "Error al actualizar el estado del ejercicio"
- ))
- except Exception as e:
- logger.error(f"Error actualizando estado del ejercicio: {str(e)}")
- st.error(t.get('update_error', "Error al actualizar el ejercicio"))
-
- # Mostrar recursos adicionales si existen
- if 'resources' in exercises:
- st.markdown("**Recursos adicionales:**")
- for resource in exercises['resources']:
- st.markdown(f"- {resource}")
-
- # Mostrar fecha de finalización si está completado
- if is_completed:
- completion_date = exercises_history[exercise_key].get('completion_date')
- if completion_date:
- st.caption(
- t.get('completed_on', "Completado el") +
- f": {completion_date.strftime('%d/%m/%Y %H:%M')}"
- )
-
- except Exception as e:
- logger.error(f"Error mostrando recomendaciones para {area}: {str(e)}")
- st.error(t.get(
- 'recommendations_error',
- f"Error al mostrar las recomendaciones para {area}"
+# modules/studentact/current_situation_interface.py
+
+import streamlit as st
+import logging
+from ..utils.widget_utils import generate_unique_key
+from .current_situation_analysis import (
+ analyze_text_dimensions,
+ create_vocabulary_network,
+ create_syntax_complexity_graph,
+ create_cohesion_heatmap
+)
+
+logger = logging.getLogger(__name__)
+
+def display_current_situation_interface(lang_code, nlp_models, t):
+ """
+ Interfaz modular para el análisis de la situación actual del estudiante.
+ Esta función maneja la presentación y la interacción con el usuario.
+
+ Args:
+ lang_code: Código del idioma actual
+ nlp_models: Diccionario de modelos de spaCy cargados
+ t: Diccionario de traducciones
+ """
+ st.markdown("## Mi Situación Actual de Escritura")
+
+ # Container principal para mejor organización visual
+ with st.container():
+ # Columnas para entrada y visualización
+ text_col, visual_col = st.columns([1,2])
+
+ with text_col:
+ # Área de entrada de texto
+ text_input = st.text_area(
+ t.get('current_situation_input', "Ingresa tu texto para analizar:"),
+ height=400,
+ key=generate_unique_key("current_situation", "input")
+ )
+
+ # Botón de análisis
+ if st.button(
+ t.get('analyze_button', "Explorar mi escritura"),
+ type="primary",
+ disabled=not text_input,
+ key=generate_unique_key("current_situation", "analyze")
+ ):
+ try:
+ with st.spinner(t.get('processing', "Analizando texto...")):
+ # 1. Procesar el texto
+ doc = nlp_models[lang_code](text_input)
+ metrics = analyze_text_dimensions(doc)
+
+ # 2. Mostrar visualizaciones en la columna derecha
+ with visual_col:
+ display_current_situation_visual(doc, metrics)
+
+ # 3. Obtener retroalimentación de Claude
+ feedback = get_claude_feedback(metrics, text_input)
+
+ # 4. Guardar los resultados
+ from ..database.current_situation_mongo_db import store_current_situation_result
+
+ if st.button(t.get('analyze_button', "Explorar mi escritura")):
+ with st.spinner(t.get('processing', "Analizando texto...")):
+ # Procesar y analizar
+ doc = nlp_models[lang_code](text_input)
+
+ # Obtener métricas con manejo de errores
+ try:
+ metrics = analyze_text_dimensions(doc)
+ except Exception as e:
+ logger.error(f"Error en análisis: {str(e)}")
+ st.error("Error en el análisis de dimensiones")
+ return
+
+ # Obtener feedback
+ try:
+ feedback = get_claude_feedback(metrics, text_input)
+ except Exception as e:
+ logger.error(f"Error obteniendo feedback: {str(e)}")
+ st.error("Error obteniendo retroalimentación")
+ return
+
+ # Guardar resultados con verificación
+ if store_current_situation_result(
+ st.session_state.username,
+ text_input,
+ metrics,
+ feedback
+ ):
+ st.success(t.get('save_success', "Análisis guardado"))
+
+ # Mostrar visualizaciones y recomendaciones
+ display_current_situation_visual(doc, metrics)
+ show_recommendations(feedback, t)
+ else:
+ st.error("Error al guardar el análisis")
+
+ except Exception as e:
+ logger.error(f"Error en interfaz: {str(e)}")
+ st.error("Error general en la interfaz")
+
+################################################################
+def display_current_situation_visual(doc, metrics):
+ """Visualización mejorada de resultados con interpretaciones"""
+ try:
+ with st.container():
+ # Estilos CSS mejorados para los contenedores
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ # 1. Riqueza de Vocabulario
+ with st.expander("📚 Riqueza de Vocabulario", expanded=True):
+ st.markdown('', unsafe_allow_html=True)
- st.markdown("**¿Cómo leer el mapa de calor?**")
- st.markdown("""
- - 🌈 Colores más intensos indican mayor conexión entre oraciones
- - 📝 La diagonal muestra la coherencia interna de cada oración
- - 🔗 Las zonas claras sugieren oportunidades de mejorar conexiones
- - 🎯 Un buen texto muestra patrones de color consistentes
- """)
- st.markdown("
", unsafe_allow_html=True)
- st.markdown("', unsafe_allow_html=True)
+ vocabulary_graph = create_vocabulary_network(doc)
+ if vocabulary_graph:
+ # Mostrar gráfico
+ st.pyplot(vocabulary_graph)
+ plt.close(vocabulary_graph)
+
+ # Interpretación
+ st.markdown('
", unsafe_allow_html=True)
+
+ # 2. Estructura de Oraciones
+ with st.expander("🏗️ Complejidad Estructural", expanded=True):
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("**¿Qué significa este gráfico?**")
+ st.markdown("""
+ - 🔵 Los nodos azules representan palabras clave en tu texto
+ - 📏 El tamaño de cada nodo indica su frecuencia de uso
+ - 🔗 Las líneas conectan palabras que aparecen juntas frecuentemente
+ - 🎨 Los colores más intensos indican palabras más centrales
+ """)
+ st.markdown("
", unsafe_allow_html=True)
+ st.markdown("', unsafe_allow_html=True)
+ syntax_graph = create_syntax_complexity_graph(doc)
+ if syntax_graph:
+ st.pyplot(syntax_graph)
+ plt.close(syntax_graph)
+
+ st.markdown('
", unsafe_allow_html=True)
+
+ # 3. Cohesión Textual
+ with st.expander("🔄 Cohesión del Texto", expanded=True):
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("**Análisis de la estructura:**")
+ st.markdown("""
+ - 📊 Las barras muestran la complejidad de cada oración
+ - 📈 Mayor altura indica estructuras más elaboradas
+ - 🎯 La línea punteada indica el nivel óptimo de complejidad
+ - 🔄 Variación en las alturas sugiere dinamismo en la escritura
+ """)
+ st.markdown("
", unsafe_allow_html=True)
+ st.markdown("', unsafe_allow_html=True)
+ cohesion_map = create_cohesion_heatmap(doc)
+ if cohesion_map:
+ st.pyplot(cohesion_map)
+ plt.close(cohesion_map)
+
+ st.markdown('
", unsafe_allow_html=True)
+
+ # 4. Métricas Generales
+ with st.expander("📊 Resumen de Métricas", expanded=True):
+ col1, col2, col3 = st.columns(3)
+
+ with col1:
+ st.metric(
+ "Diversidad Léxica",
+ f"{metrics['vocabulary_richness']:.2f}/1.0",
+ help="Mide la variedad de palabras diferentes utilizadas"
+ )
+
+ with col2:
+ st.metric(
+ "Complejidad Estructural",
+ f"{metrics['structural_complexity']:.2f}/1.0",
+ help="Indica qué tan elaboradas son las estructuras de las oraciones"
+ )
+
+ with col3:
+ st.metric(
+ "Cohesión Textual",
+ f"{metrics['cohesion_score']:.2f}/1.0",
+ help="Evalúa qué tan bien conectadas están las ideas entre sí"
+ )
+
+ except Exception as e:
+ logger.error(f"Error en visualización: {str(e)}")
+ st.error("Error al generar las visualizaciones")
+
+################################################################
+def show_recommendations(feedback, t):
+ """
+ Muestra las recomendaciones y ejercicios personalizados para el estudiante,
+ permitiendo el seguimiento de su progreso.
+
+ Args:
+ feedback: Diccionario con retroalimentación y ejercicios recomendados
+ t: Diccionario de traducciones
+ """
+ st.markdown("### " + t.get('recommendations_title', "Recomendaciones para mejorar"))
+
+ for area, exercises in feedback['recommendations'].items():
+ with st.expander(f"💡 {area}"):
+ try:
+ # Descripción del área de mejora
+ st.markdown(exercises['description'])
+
+ # Obtener el historial de ejercicios del estudiante
+ from ..database.current_situation_mongo_db import get_student_exercises_history
+ exercises_history = get_student_exercises_history(st.session_state.username)
+
+ # Separar ejercicios en completados y pendientes
+ completed = exercises_history.get(area, [])
+
+ # Mostrar estado actual
+ progress_col1, progress_col2 = st.columns([3,1])
+ with progress_col1:
+ st.markdown("**Ejercicio sugerido:**")
+ st.markdown(exercises['activity'])
+
+ with progress_col2:
+ # Verificar si el ejercicio ya está completado
+ exercise_key = f"{area}_{exercises['activity']}"
+ is_completed = exercise_key in completed
+
+ if is_completed:
+ st.success("✅ Completado")
+ else:
+ # Botón para marcar ejercicio como completado
+ if st.button(
+ t.get('mark_complete', "Marcar como completado"),
+ key=generate_unique_key("exercise", area),
+ type="primary"
+ ):
+ try:
+ from ..database.current_situation_mongo_db import update_exercise_status
+
+ # Actualizar estado del ejercicio
+ success = update_exercise_status(
+ username=st.session_state.username,
+ area=area,
+ exercise=exercises['activity'],
+ completed=True
+ )
+
+ if success:
+ st.success(t.get(
+ 'exercise_completed',
+ "¡Ejercicio marcado como completado!"
+ ))
+ st.rerun()
+ else:
+ st.error(t.get(
+ 'exercise_error',
+ "Error al actualizar el estado del ejercicio"
+ ))
+ except Exception as e:
+ logger.error(f"Error actualizando estado del ejercicio: {str(e)}")
+ st.error(t.get('update_error', "Error al actualizar el ejercicio"))
+
+ # Mostrar recursos adicionales si existen
+ if 'resources' in exercises:
+ st.markdown("**Recursos adicionales:**")
+ for resource in exercises['resources']:
+ st.markdown(f"- {resource}")
+
+ # Mostrar fecha de finalización si está completado
+ if is_completed:
+ completion_date = exercises_history[exercise_key].get('completion_date')
+ if completion_date:
+ st.caption(
+ t.get('completed_on', "Completado el") +
+ f": {completion_date.strftime('%d/%m/%Y %H:%M')}"
+ )
+
+ except Exception as e:
+ logger.error(f"Error mostrando recomendaciones para {area}: {str(e)}")
+ st.error(t.get(
+ 'recommendations_error',
+ f"Error al mostrar las recomendaciones para {area}"
))
\ No newline at end of file
diff --git a/modules/text_analysis/__init__.py b/modules/text_analysis/__init__.py
index ab1a133268ab5bc7e2766a4d05d27c78182dc951..a8781ff2d1a28dde08cad6688e7efb909aeabaa9 100644
--- a/modules/text_analysis/__init__.py
+++ b/modules/text_analysis/__init__.py
@@ -1,29 +1,29 @@
-# modules/text_analysis/__init__.py
-import logging
-
-logging.basicConfig(
- level=logging.INFO,
- format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
-)
-
-# Importaciones de morpho_analysis
-from .morpho_analysis import (
- perform_advanced_morphosyntactic_analysis,
- get_repeated_words_colors,
- highlight_repeated_words,
- generate_arc_diagram,
- get_detailed_pos_analysis,
- get_morphological_analysis,
- get_sentence_structure_analysis,
- POS_COLORS,
- POS_TRANSLATIONS
-)
-
-# Importaciones de semantic_analysis
-from .semantic_analysis import (
- create_concept_graph,
- visualize_concept_graph,
- identify_key_concepts
-)
-
-
+# modules/text_analysis/__init__.py
+import logging
+
+logging.basicConfig(
+ level=logging.INFO,
+ format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
+)
+
+# Importaciones de morpho_analysis
+from .morpho_analysis import (
+ perform_advanced_morphosyntactic_analysis,
+ get_repeated_words_colors,
+ highlight_repeated_words,
+ generate_arc_diagram,
+ get_detailed_pos_analysis,
+ get_morphological_analysis,
+ get_sentence_structure_analysis,
+ POS_COLORS,
+ POS_TRANSLATIONS
+)
+
+# Importaciones de semantic_analysis
+from .semantic_analysis import (
+ create_concept_graph,
+ visualize_concept_graph,
+ identify_key_concepts
+)
+
+
diff --git a/modules/text_analysis/discourse_analysis.py b/modules/text_analysis/discourse_analysis.py
index 56d71efa756fca28ba827ef4a9988210d070caf9..0b2451b5692bd1145556144ef19f44bc418ba917 100644
--- a/modules/text_analysis/discourse_analysis.py
+++ b/modules/text_analysis/discourse_analysis.py
@@ -1,271 +1,267 @@
-# modules/text_analysis/discourse_analysis.py
-# Configuración de matplotlib
-
-import streamlit as st
-import spacy
-import networkx as nx
-import matplotlib.pyplot as plt
-import pandas as pd
-import numpy as np
-import logging
-
-logger = logging.getLogger(__name__)
-
-from .semantic_analysis import (
- create_concept_graph,
- visualize_concept_graph,
- identify_key_concepts
-)
-
-from .stopwords import (
- get_custom_stopwords,
- process_text,
- get_stopwords_for_spacy
-)
-
-#####################
-# Define colors for grammatical categories
-POS_COLORS = {
- 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
- 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
- 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
- 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
-}
-
-POS_TRANSLATIONS = {
- 'es': {
- 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
- 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
- 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
- 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
- 'VERB': 'Verbo', 'X': 'Otro',
- },
- 'en': {
- 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
- 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
- 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
- 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
- 'VERB': 'Verb', 'X': 'Other',
- },
- 'fr': {
- 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
- 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
- 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
- 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
- 'VERB': 'Verbe', 'X': 'Autre',
- }
-}
-
-ENTITY_LABELS = {
- 'es': {
- "Personas": "lightblue",
- "Lugares": "lightcoral",
- "Inventos": "lightgreen",
- "Fechas": "lightyellow",
- "Conceptos": "lightpink"
- },
- 'en': {
- "People": "lightblue",
- "Places": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- },
- 'fr': {
- "Personnes": "lightblue",
- "Lieux": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- }
-}
-
-
-#################
-def compare_semantic_analysis(text1, text2, nlp, lang):
- """
- Realiza el análisis semántico comparativo entre dos textos
- """
- try:
- logger.info(f"Iniciando análisis comparativo para idioma: {lang}")
-
- # Obtener stopwords
- stopwords = get_custom_stopwords(lang)
- logger.info(f"Obtenidas {len(stopwords)} stopwords para el idioma {lang}")
-
- # Procesar los textos
- doc1 = nlp(text1)
- doc2 = nlp(text2)
-
- # Identificar conceptos clave
- logger.info("Identificando conceptos clave del primer texto...")
- key_concepts1 = identify_key_concepts(doc1, stopwords=stopwords, min_freq=2, min_length=3)
-
- logger.info("Identificando conceptos clave del segundo texto...")
- key_concepts2 = identify_key_concepts(doc2, stopwords=stopwords, min_freq=2, min_length=3)
-
- if not key_concepts1 or not key_concepts2:
- raise ValueError("No se pudieron identificar conceptos clave en uno o ambos textos")
-
- # Crear grafos
- logger.info("Creando grafos de conceptos...")
- G1 = create_concept_graph(doc1, key_concepts1)
- G2 = create_concept_graph(doc2, key_concepts2)
-
- # Visualizar grafos
- logger.info("Visualizando grafos...")
-
- # Primer grafo
- plt.figure(figsize=(12, 8))
- fig1 = visualize_concept_graph(G1, lang)
- plt.title("Análisis del primer texto", pad=20)
- plt.tight_layout()
-
- # Segundo grafo
- plt.figure(figsize=(12, 8))
- fig2 = visualize_concept_graph(G2, lang)
- plt.title("Análisis del segundo texto", pad=20)
- plt.tight_layout()
-
- logger.info("Análisis comparativo completado exitosamente")
- return fig1, fig2, key_concepts1, key_concepts2
-
- except Exception as e:
- logger.error(f"Error en compare_semantic_analysis: {str(e)}")
- plt.close('all') # Limpiar recursos en caso de error
- raise
- finally:
- plt.close('all') # Asegurar limpieza en todos los casos
-
-
-############################################
-def create_concept_table(key_concepts):
- """
- Crea una tabla de conceptos clave con sus frecuencias
- Args:
- key_concepts: Lista de tuplas (concepto, frecuencia)
- Returns:
- pandas.DataFrame: Tabla formateada de conceptos
- """
- try:
- if not key_concepts:
- logger.warning("Lista de conceptos vacía")
- return pd.DataFrame(columns=['Concepto', 'Frecuencia'])
-
- df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia'])
- df['Frecuencia'] = df['Frecuencia'].round(2)
- return df
- except Exception as e:
- logger.error(f"Error en create_concept_table: {str(e)}")
- return pd.DataFrame(columns=['Concepto', 'Frecuencia'])
-
-
-##########################################################
-def perform_discourse_analysis(text1, text2, nlp, lang):
- """
- Realiza el análisis completo del discurso
- """
- try:
- logger.info("Iniciando análisis del discurso...")
-
- # Verificar inputs
- if not text1 or not text2:
- raise ValueError("Los textos de entrada no pueden estar vacíos")
-
- if not nlp:
- raise ValueError("Modelo de lenguaje no inicializado")
-
- # Realizar análisis comparativo
- try:
- fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis(
- text1, text2, nlp, lang
- )
- except Exception as e:
- logger.error(f"Error en el análisis comparativo: {str(e)}")
- raise
-
- # Crear tablas de resultados
- try:
- table1 = create_concept_table(key_concepts1)
- table2 = create_concept_table(key_concepts2)
- except Exception as e:
- logger.error(f"Error creando tablas de conceptos: {str(e)}")
- raise
-
- result = {
- 'graph1': fig1,
- 'graph2': fig2,
- 'key_concepts1': key_concepts1,
- 'key_concepts2': key_concepts2,
- 'table1': table1,
- 'table2': table2,
- 'success': True
- }
-
- logger.info("Análisis del discurso completado exitosamente")
- return result
-
- except Exception as e:
- logger.error(f"Error en perform_discourse_analysis: {str(e)}")
- return {
- 'success': False,
- 'error': str(e)
- }
- finally:
- plt.close('all') # Asegurar limpieza en todos los casos
-
-#################################################################
-def create_concept_table(key_concepts):
- """
- Crea una tabla de conceptos clave con sus frecuencias
- Args:
- key_concepts: Lista de tuplas (concepto, frecuencia)
- Returns:
- pandas.DataFrame: Tabla formateada de conceptos
- """
- try:
- df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia'])
- df['Frecuencia'] = df['Frecuencia'].round(2)
- return df
- except Exception as e:
- logger.error(f"Error en create_concept_table: {str(e)}")
- raise
-
-#################
-def perform_discourse_analysis(text1, text2, nlp, lang):
- """
- Realiza el análisis completo del discurso
- Args:
- text1: Primer texto a analizar
- text2: Segundo texto a analizar
- nlp: Modelo de spaCy cargado
- lang: Código de idioma
- Returns:
- dict: Resultados del análisis
- """
- try:
- # Realizar análisis comparativo
- fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis(
- text1, text2, nlp, lang
- )
-
- # Crear tablas de resultados
- table1 = create_concept_table(key_concepts1)
- table2 = create_concept_table(key_concepts2)
-
- return {
- 'graph1': fig1,
- 'graph2': fig2,
- 'key_concepts1': key_concepts1,
- 'key_concepts2': key_concepts2,
- 'table1': table1,
- 'table2': table2,
- 'success': True
- }
-
- except Exception as e:
- logger.error(f"Error en perform_discourse_analysis: {str(e)}")
- return {
- 'success': False,
- 'error': str(e)
- }
\ No newline at end of file
+# modules/text_analysis/discourse_analysis.py
+# Configuración de matplotlib
+
+import streamlit as st
+import spacy
+import networkx as nx
+import matplotlib.pyplot as plt
+import pandas as pd
+import numpy as np
+import logging
+import io
+import base64
+from collections import Counter, defaultdict
+import logging
+
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+from .semantic_analysis import (
+ create_concept_graph,
+ visualize_concept_graph,
+ identify_key_concepts
+)
+
+
+from .stopwords import (
+ get_custom_stopwords,
+ process_text,
+ get_stopwords_for_spacy
+)
+
+
+#####################
+POS_TRANSLATIONS = {
+ 'es': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
+ 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
+ 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Otro',
+ },
+ 'en': {
+ 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
+ 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
+ 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
+ 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
+ 'VERB': 'Verb', 'X': 'Other',
+ },
+ 'fr': {
+ 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
+ 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
+ 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
+ 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
+ 'VERB': 'Verbe', 'X': 'Autre',
+ },
+ 'pt': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposição', 'ADV': 'Advérbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunção Coordenativa', 'DET': 'Determinante', 'INTJ': 'Interjeição',
+ 'NOUN': 'Substantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronome',
+ 'PROPN': 'Nome Próprio', 'SCONJ': 'Conjunção Subordinativa', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Outro',
+ }
+}
+
+ENTITY_LABELS = {
+ 'es': {
+ "Personas": "lightblue",
+ "Lugares": "lightcoral",
+ "Inventos": "lightgreen",
+ "Fechas": "lightyellow",
+ "Conceptos": "lightpink"
+ },
+ 'en': {
+ "People": "lightblue",
+ "Places": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ },
+ 'fr': {
+ "Personnes": "lightblue",
+ "Lieux": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ },
+ 'pt': {
+ "Pessoas": "lightblue",
+ "Lugares": "lightcoral",
+ "Invenções": "lightgreen",
+ "Datas": "lightyellow",
+ "Conceitos": "lightpink"
+ }
+}
+
+#################
+
+def fig_to_bytes(fig, dpi=100):
+ """Convierte una figura de matplotlib a bytes."""
+ try:
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png', dpi=dpi, bbox_inches='tight') # Sin compression
+ buf.seek(0)
+ return buf.getvalue()
+ except Exception as e:
+ logger.error(f"Error en fig_to_bytes: {str(e)}")
+ return None
+
+#################
+def compare_semantic_analysis(text1, text2, nlp, lang):
+ """
+ Realiza el análisis semántico comparativo entre dos textos
+ """
+ try:
+ logger.info(f"Iniciando análisis comparativo para idioma: {lang}")
+
+ # Obtener stopwords
+ stopwords = get_custom_stopwords(lang)
+ logger.info(f"Obtenidas {len(stopwords)} stopwords para el idioma {lang}")
+
+ # Procesar los textos
+ doc1 = nlp(text1)
+ doc2 = nlp(text2)
+
+ # Identificar conceptos clave
+ logger.info("Identificando conceptos clave del primer texto...")
+ key_concepts1 = identify_key_concepts(doc1, stopwords=stopwords, min_freq=2, min_length=3)
+
+ logger.info("Identificando conceptos clave del segundo texto...")
+ key_concepts2 = identify_key_concepts(doc2, stopwords=stopwords, min_freq=2, min_length=3)
+
+ if not key_concepts1 or not key_concepts2:
+ raise ValueError("No se pudieron identificar conceptos clave en uno o ambos textos")
+
+ # Crear grafos
+ logger.info("Creando grafos de conceptos...")
+ G1 = create_concept_graph(doc1, key_concepts1)
+ G2 = create_concept_graph(doc2, key_concepts2)
+
+ # Visualizar grafos
+ logger.info("Visualizando grafos...")
+
+ # Primer grafo
+ plt.figure(figsize=(12, 8))
+ fig1 = visualize_concept_graph(G1, lang)
+ plt.title("Análisis del primer texto", pad=20)
+ plt.tight_layout()
+
+ # Segundo grafo
+ plt.figure(figsize=(12, 8))
+ fig2 = visualize_concept_graph(G2, lang)
+ plt.title("Análisis del segundo texto", pad=20)
+ plt.tight_layout()
+
+ logger.info("Análisis comparativo completado exitosamente")
+ return fig1, fig2, key_concepts1, key_concepts2
+
+ except Exception as e:
+ logger.error(f"Error en compare_semantic_analysis: {str(e)}")
+ plt.close('all') # Limpiar recursos en caso de error
+ raise
+ finally:
+ plt.close('all') # Asegurar limpieza en todos los casos
+
+
+############################################
+def create_concept_table(key_concepts):
+ """
+ Crea una tabla de conceptos clave con sus frecuencias
+ Args:
+ key_concepts: Lista de tuplas (concepto, frecuencia)
+ Returns:
+ pandas.DataFrame: Tabla formateada de conceptos
+ """
+ try:
+ if not key_concepts:
+ logger.warning("Lista de conceptos vacía")
+ return pd.DataFrame(columns=['Concepto', 'Frecuencia'])
+
+ df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia'])
+ df['Frecuencia'] = df['Frecuencia'].round(2)
+ return df
+ except Exception as e:
+ logger.error(f"Error en create_concept_table: {str(e)}")
+ return pd.DataFrame(columns=['Concepto', 'Frecuencia'])
+
+
+##########################################################
+
+def perform_discourse_analysis(text1, text2, nlp, lang):
+ """
+ Realiza el análisis completo del discurso
+ Args:
+ text1: Primer texto a analizar
+ text2: Segundo texto a analizar
+ nlp: Modelo de spaCy cargado
+ lang: Código de idioma
+ Returns:
+ dict: Resultados del análisis con gráficos convertidos a bytes
+ """
+ try:
+ logger.info("Iniciando análisis del discurso...")
+
+ # Verificar inputs
+ if not text1 or not text2:
+ raise ValueError("Los textos de entrada no pueden estar vacíos")
+
+ if not nlp:
+ raise ValueError("Modelo de lenguaje no inicializado")
+
+ # Realizar análisis comparativo
+ fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis(
+ text1, text2, nlp, lang
+ )
+
+ logger.info("Análisis comparativo completado, convirtiendo figuras a bytes...")
+
+ # Convertir figuras a bytes para almacenamiento
+ graph1_bytes = fig_to_bytes(fig1)
+ graph2_bytes = fig_to_bytes(fig2)
+
+ logger.info(f"Figura 1 convertida a {len(graph1_bytes) if graph1_bytes else 0} bytes")
+ logger.info(f"Figura 2 convertida a {len(graph2_bytes) if graph2_bytes else 0} bytes")
+
+ # Verificar que las conversiones fueron exitosas antes de continuar
+ if not graph1_bytes or not graph2_bytes:
+ logger.error("Error al convertir figuras a bytes - obteniendo 0 bytes")
+ # Opción 1: Devolver error
+ raise ValueError("No se pudieron convertir las figuras a bytes")
+
+ # Crear tablas de resultados
+ table1 = create_concept_table(key_concepts1)
+ table2 = create_concept_table(key_concepts2)
+
+ # Cerrar figuras para liberar memoria
+ plt.close(fig1)
+ plt.close(fig2)
+
+ result = {
+ 'graph1': graph1_bytes, # Bytes en lugar de figura
+ 'graph2': graph2_bytes, # Bytes en lugar de figura
+ 'combined_graph': None, # No hay gráfico combinado por ahora
+ 'key_concepts1': key_concepts1,
+ 'key_concepts2': key_concepts2,
+ 'table1': table1,
+ 'table2': table2,
+ 'success': True
+ }
+
+ logger.info("Análisis del discurso completado y listo para almacenamiento")
+ return result
+
+ except Exception as e:
+ logger.error(f"Error en perform_discourse_analysis: {str(e)}")
+ # Asegurar limpieza de recursos
+ plt.close('all')
+ return {
+ 'success': False,
+ 'error': str(e)
+ }
+ finally:
+ # Asegurar limpieza en todos los casos
+ plt.close('all')
+
+#################################################################
\ No newline at end of file
diff --git a/modules/text_analysis/morpho_analysis.py b/modules/text_analysis/morpho_analysis.py
index 369dc106004363ac55a10952bd32f858bbc287b0..c4196ac172e0f571f25997ae1df6e51f73e351af 100644
--- a/modules/text_analysis/morpho_analysis.py
+++ b/modules/text_analysis/morpho_analysis.py
@@ -1,256 +1,230 @@
-##modules/text_analysis/morpho_analysis.py
-
-import spacy
-from collections import Counter
-from spacy import displacy
-import re
-from streamlit.components.v1 import html
-import base64
-
-from collections import Counter
-import re
-from ..utils.widget_utils import generate_unique_key
-
-import logging
-logger = logging.getLogger(__name__)
-
-
-# Define colors for grammatical categories
-POS_COLORS = {
- 'ADJ': '#FFA07A', # Light Salmon
- 'ADP': '#98FB98', # Pale Green
- 'ADV': '#87CEFA', # Light Sky Blue
- 'AUX': '#DDA0DD', # Plum
- 'CCONJ': '#F0E68C', # Khaki
- 'DET': '#FFB6C1', # Light Pink
- 'INTJ': '#FF6347', # Tomato
- 'NOUN': '#90EE90', # Light Green
- 'NUM': '#FAFAD2', # Light Goldenrod Yellow
- 'PART': '#D3D3D3', # Light Gray
- 'PRON': '#FFA500', # Orange
- 'PROPN': '#20B2AA', # Light Sea Green
- 'SCONJ': '#DEB887', # Burlywood
- 'SYM': '#7B68EE', # Medium Slate Blue
- 'VERB': '#FF69B4', # Hot Pink
- 'X': '#A9A9A9', # Dark Gray
-}
-
-POS_TRANSLATIONS = {
- 'es': {
- 'ADJ': 'Adjetivo',
- 'ADP': 'Preposición',
- 'ADV': 'Adverbio',
- 'AUX': 'Auxiliar',
- 'CCONJ': 'Conjunción Coordinante',
- 'DET': 'Determinante',
- 'INTJ': 'Interjección',
- 'NOUN': 'Sustantivo',
- 'NUM': 'Número',
- 'PART': 'Partícula',
- 'PRON': 'Pronombre',
- 'PROPN': 'Nombre Propio',
- 'SCONJ': 'Conjunción Subordinante',
- 'SYM': 'Símbolo',
- 'VERB': 'Verbo',
- 'X': 'Otro',
- },
- 'en': {
- 'ADJ': 'Adjective',
- 'ADP': 'Preposition',
- 'ADV': 'Adverb',
- 'AUX': 'Auxiliary',
- 'CCONJ': 'Coordinating Conjunction',
- 'DET': 'Determiner',
- 'INTJ': 'Interjection',
- 'NOUN': 'Noun',
- 'NUM': 'Number',
- 'PART': 'Particle',
- 'PRON': 'Pronoun',
- 'PROPN': 'Proper Noun',
- 'SCONJ': 'Subordinating Conjunction',
- 'SYM': 'Symbol',
- 'VERB': 'Verb',
- 'X': 'Other',
- },
- 'fr': {
- 'ADJ': 'Adjectif',
- 'ADP': 'Préposition',
- 'ADV': 'Adverbe',
- 'AUX': 'Auxiliaire',
- 'CCONJ': 'Conjonction de Coordination',
- 'DET': 'Déterminant',
- 'INTJ': 'Interjection',
- 'NOUN': 'Nom',
- 'NUM': 'Nombre',
- 'PART': 'Particule',
- 'PRON': 'Pronom',
- 'PROPN': 'Nom Propre',
- 'SCONJ': 'Conjonction de Subordination',
- 'SYM': 'Symbole',
- 'VERB': 'Verbe',
- 'X': 'Autre',
- }
-}
-
-#############################################################################################
-def get_repeated_words_colors(doc):
- word_counts = Counter(token.text.lower() for token in doc if token.pos_ != 'PUNCT')
- repeated_words = {word: count for word, count in word_counts.items() if count > 1}
-
- word_colors = {}
- for token in doc:
- if token.text.lower() in repeated_words:
- word_colors[token.text.lower()] = POS_COLORS.get(token.pos_, '#FFFFFF')
-
- return word_colors
-
-######################################################################################################
-def highlight_repeated_words(doc, word_colors):
- highlighted_text = []
- for token in doc:
- if token.text.lower() in word_colors:
- color = word_colors[token.text.lower()]
- highlighted_text.append(f'{token.text}')
- else:
- highlighted_text.append(token.text)
- return ' '.join(highlighted_text)
-
-#################################################################################################
-
-def generate_arc_diagram(doc):
- """
- Genera diagramas de arco para cada oración en el documento usando spacy-streamlit.
-
- Args:
- doc: Documento procesado por spaCy
- Returns:
- list: Lista de diagramas en formato HTML
- """
- arc_diagrams = []
- try:
- options = {
- "compact": False,
- "color": "#ffffff",
- "bg": "#0d6efd",
- "font": "Arial",
- "offset_x": 50,
- "distance": 100,
- "arrow_spacing": 12,
- "arrow_width": 2,
- "arrow_stroke": 2,
- "word_spacing": 25,
- "maxZoom": 2
- }
-
- for sent in doc.sents:
- try:
- # Usar el método render de displacy directamente con las opciones
- html = displacy.render(sent, style="dep", options=options)
- arc_diagrams.append(html)
- except Exception as e:
- logger.error(f"Error al renderizar oración: {str(e)}")
- continue
-
- return arc_diagrams
- except Exception as e:
- logger.error(f"Error general en generate_arc_diagram: {str(e)}")
- return None
-
-
-#################################################################################################
-def get_detailed_pos_analysis(doc):
- """
- Realiza un análisis detallado de las categorías gramaticales (POS) en el texto.
- """
- pos_counts = Counter(token.pos_ for token in doc)
- total_tokens = len(doc)
- pos_analysis = []
- for pos, count in pos_counts.items():
- percentage = (count / total_tokens) * 100
- pos_analysis.append({
- 'pos': pos,
- 'count': count,
- 'percentage': round(percentage, 2),
- 'examples': [token.text for token in doc if token.pos_ == pos][:5] # Primeros 5 ejemplos
- })
- return sorted(pos_analysis, key=lambda x: x['count'], reverse=True)
-
-#################################################################################################
-def get_morphological_analysis(doc):
- """
- Realiza un análisis morfológico detallado de las palabras en el texto.
- """
- morphology_analysis = []
- for token in doc:
- if token.pos_ in ['NOUN', 'VERB', 'ADJ', 'ADV']: # Enfocarse en categorías principales
- morphology_analysis.append({
- 'text': token.text,
- 'lemma': token.lemma_,
- 'pos': token.pos_,
- 'tag': token.tag_,
- 'dep': token.dep_,
- 'shape': token.shape_,
- 'is_alpha': token.is_alpha,
- 'is_stop': token.is_stop,
- 'morph': str(token.morph)
- })
- return morphology_analysis
-
-#################################################################################################
-def get_sentence_structure_analysis(doc):
- """
- Analiza la estructura de las oraciones en el texto.
- """
- sentence_analysis = []
- for sent in doc.sents:
- sentence_analysis.append({
- 'text': sent.text,
- 'root': sent.root.text,
- 'root_pos': sent.root.pos_,
- 'num_tokens': len(sent),
- 'num_words': len([token for token in sent if token.is_alpha]),
- 'subjects': [token.text for token in sent if "subj" in token.dep_],
- 'objects': [token.text for token in sent if "obj" in token.dep_],
- 'verbs': [token.text for token in sent if token.pos_ == "VERB"]
- })
- return sentence_analysis
-
-#################################################################################################
-def perform_advanced_morphosyntactic_analysis(text, nlp):
- """
- Realiza un análisis morfosintáctico avanzado del texto.
- """
- try:
- # Verificar el idioma del modelo
- model_lang = nlp.lang
- logger.info(f"Realizando análisis con modelo de idioma: {model_lang}")
-
- # Procesar el texto con el modelo específico del idioma
- doc = nlp(text)
-
- # Realizar análisis específico según el idioma
- return {
- 'doc': doc,
- 'pos_analysis': get_detailed_pos_analysis(doc),
- 'morphological_analysis': get_morphological_analysis(doc),
- 'sentence_structure': get_sentence_structure_analysis(doc),
- 'arc_diagrams': generate_arc_diagram(doc), # Quitamos nlp.lang
- 'repeated_words': get_repeated_words_colors(doc),
- 'highlighted_text': highlight_repeated_words(doc, get_repeated_words_colors(doc))
- }
- except Exception as e:
- logger.error(f"Error en análisis morfosintáctico: {str(e)}")
- return None
-
-# Al final del archivo morph_analysis.py
-__all__ = [
- 'perform_advanced_morphosyntactic_analysis',
- 'get_repeated_words_colors',
- 'highlight_repeated_words',
- 'generate_arc_diagram',
- 'get_detailed_pos_analysis',
- 'get_morphological_analysis',
- 'get_sentence_structure_analysis',
- 'POS_COLORS',
- 'POS_TRANSLATIONS'
-]
+##modules/text_analysis/morpho_analysis.py
+
+import spacy
+from collections import Counter
+from spacy import displacy
+import re
+from streamlit.components.v1 import html
+import base64
+
+from collections import Counter
+import re
+from ..utils.widget_utils import generate_unique_key
+
+import logging
+logger = logging.getLogger(__name__)
+
+
+# Define colors for grammatical categories
+POS_COLORS = {
+ 'ADJ': '#FFA07A', # Light Salmon
+ 'ADP': '#98FB98', # Pale Green
+ 'ADV': '#87CEFA', # Light Sky Blue
+ 'AUX': '#DDA0DD', # Plum
+ 'CCONJ': '#F0E68C', # Khaki
+ 'DET': '#FFB6C1', # Light Pink
+ 'INTJ': '#FF6347', # Tomato
+ 'NOUN': '#90EE90', # Light Green
+ 'NUM': '#FAFAD2', # Light Goldenrod Yellow
+ 'PART': '#D3D3D3', # Light Gray
+ 'PRON': '#FFA500', # Orange
+ 'PROPN': '#20B2AA', # Light Sea Green
+ 'SCONJ': '#DEB887', # Burlywood
+ 'SYM': '#7B68EE', # Medium Slate Blue
+ 'VERB': '#FF69B4', # Hot Pink
+ 'X': '#A9A9A9', # Dark Gray
+}
+
+POS_TRANSLATIONS = {
+ 'es': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
+ 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
+ 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Otro',
+ },
+ 'en': {
+ 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
+ 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
+ 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
+ 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
+ 'VERB': 'Verb', 'X': 'Other',
+ },
+ 'fr': {
+ 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
+ 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
+ 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
+ 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
+ 'VERB': 'Verbe', 'X': 'Autre',
+ },
+ 'pt': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposição', 'ADV': 'Advérbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunção Coordenativa', 'DET': 'Determinante', 'INTJ': 'Interjeição',
+ 'NOUN': 'Substantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronome',
+ 'PROPN': 'Nome Próprio', 'SCONJ': 'Conjunção Subordinativa', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Outro',
+ }
+}
+
+#############################################################################################
+def get_repeated_words_colors(doc):
+ word_counts = Counter(token.text.lower() for token in doc if token.pos_ != 'PUNCT')
+ repeated_words = {word: count for word, count in word_counts.items() if count > 1}
+
+ word_colors = {}
+ for token in doc:
+ if token.text.lower() in repeated_words:
+ word_colors[token.text.lower()] = POS_COLORS.get(token.pos_, '#FFFFFF')
+
+ return word_colors
+
+######################################################################################################
+def highlight_repeated_words(doc, word_colors):
+ highlighted_text = []
+ for token in doc:
+ if token.text.lower() in word_colors:
+ color = word_colors[token.text.lower()]
+ highlighted_text.append(f'{token.text}')
+ else:
+ highlighted_text.append(token.text)
+ return ' '.join(highlighted_text)
+
+#################################################################################################
+
+def generate_arc_diagram(doc):
+ """
+ Genera diagramas de arco para cada oración en el documento usando spacy-streamlit.
+
+ Args:
+ doc: Documento procesado por spaCy
+ Returns:
+ list: Lista de diagramas en formato HTML
+ """
+ arc_diagrams = []
+ try:
+ options = {
+ "compact": False,
+ "color": "#ffffff",
+ "bg": "#0d6efd",
+ "font": "Arial",
+ "offset_x": 50,
+ "distance": 100,
+ "arrow_spacing": 12,
+ "arrow_width": 2,
+ "arrow_stroke": 2,
+ "word_spacing": 25,
+ "maxZoom": 2
+ }
+
+ for sent in doc.sents:
+ try:
+ # Usar el método render de displacy directamente con las opciones
+ html = displacy.render(sent, style="dep", options=options)
+ arc_diagrams.append(html)
+ except Exception as e:
+ logger.error(f"Error al renderizar oración: {str(e)}")
+ continue
+
+ return arc_diagrams
+ except Exception as e:
+ logger.error(f"Error general en generate_arc_diagram: {str(e)}")
+ return None
+
+
+#################################################################################################
+def get_detailed_pos_analysis(doc):
+ """
+ Realiza un análisis detallado de las categorías gramaticales (POS) en el texto.
+ """
+ pos_counts = Counter(token.pos_ for token in doc)
+ total_tokens = len(doc)
+ pos_analysis = []
+ for pos, count in pos_counts.items():
+ percentage = (count / total_tokens) * 100
+ pos_analysis.append({
+ 'pos': pos,
+ 'count': count,
+ 'percentage': round(percentage, 2),
+ 'examples': [token.text for token in doc if token.pos_ == pos][:5] # Primeros 5 ejemplos
+ })
+ return sorted(pos_analysis, key=lambda x: x['count'], reverse=True)
+
+#################################################################################################
+def get_morphological_analysis(doc):
+ """
+ Realiza un análisis morfológico detallado de las palabras en el texto.
+ """
+ morphology_analysis = []
+ for token in doc:
+ if token.pos_ in ['NOUN', 'VERB', 'ADJ', 'ADV']: # Enfocarse en categorías principales
+ morphology_analysis.append({
+ 'text': token.text,
+ 'lemma': token.lemma_,
+ 'pos': token.pos_,
+ 'tag': token.tag_,
+ 'dep': token.dep_,
+ 'shape': token.shape_,
+ 'is_alpha': token.is_alpha,
+ 'is_stop': token.is_stop,
+ 'morph': str(token.morph)
+ })
+ return morphology_analysis
+
+#################################################################################################
+def get_sentence_structure_analysis(doc):
+ """
+ Analiza la estructura de las oraciones en el texto.
+ """
+ sentence_analysis = []
+ for sent in doc.sents:
+ sentence_analysis.append({
+ 'text': sent.text,
+ 'root': sent.root.text,
+ 'root_pos': sent.root.pos_,
+ 'num_tokens': len(sent),
+ 'num_words': len([token for token in sent if token.is_alpha]),
+ 'subjects': [token.text for token in sent if "subj" in token.dep_],
+ 'objects': [token.text for token in sent if "obj" in token.dep_],
+ 'verbs': [token.text for token in sent if token.pos_ == "VERB"]
+ })
+ return sentence_analysis
+
+#################################################################################################
+def perform_advanced_morphosyntactic_analysis(text, nlp):
+ """
+ Realiza un análisis morfosintáctico avanzado del texto.
+ """
+ try:
+ # Verificar el idioma del modelo
+ model_lang = nlp.lang
+ logger.info(f"Realizando análisis con modelo de idioma: {model_lang}")
+
+ # Procesar el texto con el modelo específico del idioma
+ doc = nlp(text)
+
+ # Realizar análisis específico según el idioma
+ return {
+ 'doc': doc,
+ 'pos_analysis': get_detailed_pos_analysis(doc),
+ 'morphological_analysis': get_morphological_analysis(doc),
+ 'sentence_structure': get_sentence_structure_analysis(doc),
+ 'arc_diagrams': generate_arc_diagram(doc), # Quitamos nlp.lang
+ 'repeated_words': get_repeated_words_colors(doc),
+ 'highlighted_text': highlight_repeated_words(doc, get_repeated_words_colors(doc))
+ }
+ except Exception as e:
+ logger.error(f"Error en análisis morfosintáctico: {str(e)}")
+ return None
+
+# Al final del archivo morph_analysis.py
+__all__ = [
+ 'perform_advanced_morphosyntactic_analysis',
+ 'get_repeated_words_colors',
+ 'highlight_repeated_words',
+ 'generate_arc_diagram',
+ 'get_detailed_pos_analysis',
+ 'get_morphological_analysis',
+ 'get_sentence_structure_analysis',
+ 'POS_COLORS',
+ 'POS_TRANSLATIONS'
+]
diff --git a/modules/text_analysis/semantic_analysis-16-10-2024.py b/modules/text_analysis/semantic_analysis-16-10-2024.py
index a6880f6152f90900b31afef1a501a93704120ded..e8684fb9e71fc128772b372e944bd38ec02c131d 100644
--- a/modules/text_analysis/semantic_analysis-16-10-2024.py
+++ b/modules/text_analysis/semantic_analysis-16-10-2024.py
@@ -1,446 +1,446 @@
-# modules/text_analysis/semantic_analysis.py
-# [Mantener todas las importaciones y constantes existentes...]
-
-import streamlit as st
-import spacy
-import networkx as nx
-import matplotlib.pyplot as plt
-import io
-import base64
-from collections import Counter, defaultdict
-from sklearn.feature_extraction.text import TfidfVectorizer
-from sklearn.metrics.pairwise import cosine_similarity
-import logging
-
-logger = logging.getLogger(__name__)
-
-
-# Define colors for grammatical categories
-POS_COLORS = {
- 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
- 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
- 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
- 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
-}
-
-POS_TRANSLATIONS = {
- 'es': {
- 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
- 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
- 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
- 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
- 'VERB': 'Verbo', 'X': 'Otro',
- },
- 'en': {
- 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
- 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
- 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
- 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
- 'VERB': 'Verb', 'X': 'Other',
- },
- 'fr': {
- 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
- 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
- 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
- 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
- 'VERB': 'Verbe', 'X': 'Autre',
- }
-}
-
-ENTITY_LABELS = {
- 'es': {
- "Personas": "lightblue",
- "Lugares": "lightcoral",
- "Inventos": "lightgreen",
- "Fechas": "lightyellow",
- "Conceptos": "lightpink"
- },
- 'en': {
- "People": "lightblue",
- "Places": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- },
- 'fr': {
- "Personnes": "lightblue",
- "Lieux": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- }
-}
-
-CUSTOM_STOPWORDS = {
- 'es': {
- # Artículos
- 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas',
- # Preposiciones comunes
- 'a', 'ante', 'bajo', 'con', 'contra', 'de', 'desde', 'en',
- 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin',
- 'sobre', 'tras', 'durante', 'mediante',
- # Conjunciones
- 'y', 'e', 'ni', 'o', 'u', 'pero', 'sino', 'porque',
- # Pronombres
- 'yo', 'tú', 'él', 'ella', 'nosotros', 'vosotros', 'ellos',
- 'ellas', 'este', 'esta', 'ese', 'esa', 'aquel', 'aquella',
- # Verbos auxiliares comunes
- 'ser', 'estar', 'haber', 'tener',
- # Palabras comunes en textos académicos
- 'además', 'también', 'asimismo', 'sin embargo', 'no obstante',
- 'por lo tanto', 'entonces', 'así', 'luego', 'pues',
- # Números escritos
- 'uno', 'dos', 'tres', 'primer', 'primera', 'segundo', 'segunda',
- # Otras palabras comunes
- 'cada', 'todo', 'toda', 'todos', 'todas', 'otro', 'otra',
- 'donde', 'cuando', 'como', 'que', 'cual', 'quien',
- 'cuyo', 'cuya', 'hay', 'solo', 'ver', 'si', 'no',
- # Símbolos y caracteres especiales
- '#', '@', '/', '*', '+', '-', '=', '$', '%'
- },
- 'en': {
- # Articles
- 'the', 'a', 'an',
- # Common prepositions
- 'in', 'on', 'at', 'by', 'for', 'with', 'about', 'against',
- 'between', 'into', 'through', 'during', 'before', 'after',
- 'above', 'below', 'to', 'from', 'up', 'down', 'of',
- # Conjunctions
- 'and', 'or', 'but', 'nor', 'so', 'for', 'yet',
- # Pronouns
- 'i', 'you', 'he', 'she', 'it', 'we', 'they', 'this',
- 'that', 'these', 'those', 'my', 'your', 'his', 'her',
- # Auxiliary verbs
- 'be', 'am', 'is', 'are', 'was', 'were', 'been', 'have',
- 'has', 'had', 'do', 'does', 'did',
- # Common academic words
- 'therefore', 'however', 'thus', 'hence', 'moreover',
- 'furthermore', 'nevertheless',
- # Numbers written
- 'one', 'two', 'three', 'first', 'second', 'third',
- # Other common words
- 'where', 'when', 'how', 'what', 'which', 'who',
- 'whom', 'whose', 'there', 'here', 'just', 'only',
- # Symbols and special characters
- '#', '@', '/', '*', '+', '-', '=', '$', '%'
- },
- 'fr': {
- # Articles
- 'le', 'la', 'les', 'un', 'une', 'des',
- # Prepositions
- 'à', 'de', 'dans', 'sur', 'en', 'par', 'pour', 'avec',
- 'sans', 'sous', 'entre', 'derrière', 'chez', 'avant',
- # Conjunctions
- 'et', 'ou', 'mais', 'donc', 'car', 'ni', 'or',
- # Pronouns
- 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils',
- 'elles', 'ce', 'cette', 'ces', 'celui', 'celle',
- # Auxiliary verbs
- 'être', 'avoir', 'faire',
- # Academic words
- 'donc', 'cependant', 'néanmoins', 'ainsi', 'toutefois',
- 'pourtant', 'alors',
- # Numbers
- 'un', 'deux', 'trois', 'premier', 'première', 'second',
- # Other common words
- 'où', 'quand', 'comment', 'que', 'qui', 'quoi',
- 'quel', 'quelle', 'plus', 'moins',
- # Symbols
- '#', '@', '/', '*', '+', '-', '=', '$', '%'
- }
-}
-
-##############################################################################################################
-def get_stopwords(lang_code):
- """
- Obtiene el conjunto de stopwords para un idioma específico.
- Combina las stopwords de spaCy con las personalizadas.
- """
- try:
- nlp = spacy.load(f'{lang_code}_core_news_sm')
- spacy_stopwords = nlp.Defaults.stop_words
- custom_stopwords = CUSTOM_STOPWORDS.get(lang_code, set())
- return spacy_stopwords.union(custom_stopwords)
- except:
- return CUSTOM_STOPWORDS.get(lang_code, set())
-
-
-def perform_semantic_analysis(text, nlp, lang_code):
- """
- Realiza el análisis semántico completo del texto.
- Args:
- text: Texto a analizar
- nlp: Modelo de spaCy
- lang_code: Código del idioma
- Returns:
- dict: Resultados del análisis
- """
-
- logger.info(f"Starting semantic analysis for language: {lang_code}")
- try:
- doc = nlp(text)
- key_concepts = identify_key_concepts(doc)
- concept_graph = create_concept_graph(doc, key_concepts)
- concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
- entities = extract_entities(doc, lang_code)
- entity_graph = create_entity_graph(entities)
- entity_graph_fig = visualize_entity_graph(entity_graph, lang_code)
-
- # Convertir figuras a bytes
- concept_graph_bytes = fig_to_bytes(concept_graph_fig)
- entity_graph_bytes = fig_to_bytes(entity_graph_fig)
-
- logger.info("Semantic analysis completed successfully")
- return {
- 'key_concepts': key_concepts,
- 'concept_graph': concept_graph_bytes,
- 'entities': entities,
- 'entity_graph': entity_graph_bytes
- }
- except Exception as e:
- logger.error(f"Error in perform_semantic_analysis: {str(e)}")
- raise
-
-
-def fig_to_bytes(fig):
- buf = io.BytesIO()
- fig.savefig(buf, format='png')
- buf.seek(0)
- return buf.getvalue()
-
-
-def fig_to_html(fig):
- buf = io.BytesIO()
- fig.savefig(buf, format='png')
- buf.seek(0)
- img_str = base64.b64encode(buf.getvalue()).decode()
- return f'', unsafe_allow_html=True)
+ st.markdown("**¿Cómo leer el mapa de calor?**")
+ st.markdown("""
+ - 🌈 Colores más intensos indican mayor conexión entre oraciones
+ - 📝 La diagonal muestra la coherencia interna de cada oración
+ - 🔗 Las zonas claras sugieren oportunidades de mejorar conexiones
+ - 🎯 Un buen texto muestra patrones de color consistentes
+ """)
+ st.markdown("
", unsafe_allow_html=True)
+ st.markdown("'
-
-
-
-def identify_key_concepts(doc, min_freq=2, min_length=3):
- """
- Identifica conceptos clave en el texto.
- Args:
- doc: Documento procesado por spaCy
- min_freq: Frecuencia mínima para considerar un concepto
- min_length: Longitud mínima de palabra para considerar
- Returns:
- list: Lista de tuplas (concepto, frecuencia)
- """
- try:
- # Obtener stopwords para el idioma
- stopwords = get_stopwords(doc.lang_)
-
- # Contar frecuencias de palabras
- word_freq = Counter()
-
- for token in doc:
- if (token.lemma_.lower() not in stopwords and
- len(token.lemma_) >= min_length and
- token.is_alpha and
- not token.is_punct and
- not token.like_num):
-
- word_freq[token.lemma_.lower()] += 1
-
- # Filtrar por frecuencia mínima
- concepts = [(word, freq) for word, freq in word_freq.items()
- if freq >= min_freq]
-
- # Ordenar por frecuencia
- concepts.sort(key=lambda x: x[1], reverse=True)
-
- return concepts[:10] # Retornar los 10 conceptos más frecuentes
-
- except Exception as e:
- logger.error(f"Error en identify_key_concepts: {str(e)}")
- return [] # Retornar lista vacía en caso de error
-
-
-def create_concept_graph(doc, key_concepts):
- """
- Crea un grafo de relaciones entre conceptos.
- Args:
- doc: Documento procesado por spaCy
- key_concepts: Lista de tuplas (concepto, frecuencia)
- Returns:
- nx.Graph: Grafo de conceptos
- """
- try:
- G = nx.Graph()
-
- # Crear un conjunto de conceptos clave para búsqueda rápida
- concept_words = {concept[0].lower() for concept in key_concepts}
-
- # Añadir nodos al grafo
- for concept, freq in key_concepts:
- G.add_node(concept.lower(), weight=freq)
-
- # Analizar cada oración
- for sent in doc.sents:
- # Obtener conceptos en la oración actual
- current_concepts = []
- for token in sent:
- if token.lemma_.lower() in concept_words:
- current_concepts.append(token.lemma_.lower())
-
- # Crear conexiones entre conceptos en la misma oración
- for i, concept1 in enumerate(current_concepts):
- for concept2 in current_concepts[i+1:]:
- if concept1 != concept2:
- # Si ya existe la arista, incrementar el peso
- if G.has_edge(concept1, concept2):
- G[concept1][concept2]['weight'] += 1
- # Si no existe, crear nueva arista con peso 1
- else:
- G.add_edge(concept1, concept2, weight=1)
-
- return G
-
- except Exception as e:
- logger.error(f"Error en create_concept_graph: {str(e)}")
- # Retornar un grafo vacío en caso de error
- return nx.Graph()
-
-def visualize_concept_graph(G, lang_code):
- """
- Visualiza el grafo de conceptos.
- Args:
- G: Grafo de networkx
- lang_code: Código del idioma
- Returns:
- matplotlib.figure.Figure: Figura con el grafo visualizado
- """
- try:
- plt.figure(figsize=(12, 8))
-
- # Calcular el layout del grafo
- pos = nx.spring_layout(G)
-
- # Obtener pesos de nodos y aristas
- node_weights = [G.nodes[node].get('weight', 1) * 500 for node in G.nodes()]
- edge_weights = [G[u][v].get('weight', 1) for u, v in G.edges()]
-
- # Dibujar el grafo
- nx.draw_networkx_nodes(G, pos,
- node_size=node_weights,
- node_color='lightblue',
- alpha=0.6)
-
- nx.draw_networkx_edges(G, pos,
- width=edge_weights,
- alpha=0.5,
- edge_color='gray')
-
- nx.draw_networkx_labels(G, pos,
- font_size=10,
- font_weight='bold')
-
- plt.title("Red de conceptos relacionados")
- plt.axis('off')
-
- return plt.gcf()
-
- except Exception as e:
- logger.error(f"Error en visualize_concept_graph: {str(e)}")
- # Retornar una figura vacía en caso de error
- return plt.figure()
-
-def create_entity_graph(entities):
- G = nx.Graph()
- for entity_type, entity_list in entities.items():
- for entity in entity_list:
- G.add_node(entity, type=entity_type)
- for i, entity1 in enumerate(entity_list):
- for entity2 in entity_list[i+1:]:
- G.add_edge(entity1, entity2)
- return G
-
-def visualize_entity_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- for entity_type, color in ENTITY_LABELS[lang_code].items():
- node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
- nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
- nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
- ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-
-#################################################################################
-def create_topic_graph(topics, doc):
- G = nx.Graph()
- for topic in topics:
- G.add_node(topic, weight=doc.text.count(topic))
- for i, topic1 in enumerate(topics):
- for topic2 in topics[i+1:]:
- weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
- if weight > 0:
- G.add_edge(topic1, topic2, weight=weight)
- return G
-
-def visualize_topic_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
- nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
- edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
- nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
- ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-###########################################################################################
-def generate_summary(doc, lang_code):
- sentences = list(doc.sents)
- summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
- return " ".join([sent.text for sent in summary])
-
-def extract_entities(doc, lang_code):
- entities = defaultdict(list)
- for ent in doc.ents:
- if ent.label_ in ENTITY_LABELS[lang_code]:
- entities[ent.label_].append(ent.text)
- return dict(entities)
-
-def analyze_sentiment(doc, lang_code):
- positive_words = sum(1 for token in doc if token.sentiment > 0)
- negative_words = sum(1 for token in doc if token.sentiment < 0)
- total_words = len(doc)
- if positive_words > negative_words:
- return "Positivo"
- elif negative_words > positive_words:
- return "Negativo"
- else:
- return "Neutral"
-
-def extract_topics(doc, lang_code):
- vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
- tfidf_matrix = vectorizer.fit_transform([doc.text])
- feature_names = vectorizer.get_feature_names_out()
- return list(feature_names)
-
-# Asegúrate de que todas las funciones necesarias estén exportadas
-__all__ = [
- 'perform_semantic_analysis',
- 'identify_key_concepts',
- 'create_concept_graph',
- 'visualize_concept_graph',
- 'create_entity_graph',
- 'visualize_entity_graph',
- 'generate_summary',
- 'extract_entities',
- 'analyze_sentiment',
- 'create_topic_graph',
- 'visualize_topic_graph',
- 'extract_topics',
- 'ENTITY_LABELS',
- 'POS_COLORS',
- 'POS_TRANSLATIONS'
+# modules/text_analysis/semantic_analysis.py
+# [Mantener todas las importaciones y constantes existentes...]
+
+import streamlit as st
+import spacy
+import networkx as nx
+import matplotlib.pyplot as plt
+import io
+import base64
+from collections import Counter, defaultdict
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.metrics.pairwise import cosine_similarity
+import logging
+
+logger = logging.getLogger(__name__)
+
+
+# Define colors for grammatical categories
+POS_COLORS = {
+ 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
+ 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
+ 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
+ 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
+}
+
+POS_TRANSLATIONS = {
+ 'es': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
+ 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
+ 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Otro',
+ },
+ 'en': {
+ 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
+ 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
+ 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
+ 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
+ 'VERB': 'Verb', 'X': 'Other',
+ },
+ 'fr': {
+ 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
+ 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
+ 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
+ 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
+ 'VERB': 'Verbe', 'X': 'Autre',
+ }
+}
+
+ENTITY_LABELS = {
+ 'es': {
+ "Personas": "lightblue",
+ "Lugares": "lightcoral",
+ "Inventos": "lightgreen",
+ "Fechas": "lightyellow",
+ "Conceptos": "lightpink"
+ },
+ 'en': {
+ "People": "lightblue",
+ "Places": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ },
+ 'fr': {
+ "Personnes": "lightblue",
+ "Lieux": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ }
+}
+
+CUSTOM_STOPWORDS = {
+ 'es': {
+ # Artículos
+ 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas',
+ # Preposiciones comunes
+ 'a', 'ante', 'bajo', 'con', 'contra', 'de', 'desde', 'en',
+ 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin',
+ 'sobre', 'tras', 'durante', 'mediante',
+ # Conjunciones
+ 'y', 'e', 'ni', 'o', 'u', 'pero', 'sino', 'porque',
+ # Pronombres
+ 'yo', 'tú', 'él', 'ella', 'nosotros', 'vosotros', 'ellos',
+ 'ellas', 'este', 'esta', 'ese', 'esa', 'aquel', 'aquella',
+ # Verbos auxiliares comunes
+ 'ser', 'estar', 'haber', 'tener',
+ # Palabras comunes en textos académicos
+ 'además', 'también', 'asimismo', 'sin embargo', 'no obstante',
+ 'por lo tanto', 'entonces', 'así', 'luego', 'pues',
+ # Números escritos
+ 'uno', 'dos', 'tres', 'primer', 'primera', 'segundo', 'segunda',
+ # Otras palabras comunes
+ 'cada', 'todo', 'toda', 'todos', 'todas', 'otro', 'otra',
+ 'donde', 'cuando', 'como', 'que', 'cual', 'quien',
+ 'cuyo', 'cuya', 'hay', 'solo', 'ver', 'si', 'no',
+ # Símbolos y caracteres especiales
+ '#', '@', '/', '*', '+', '-', '=', '$', '%'
+ },
+ 'en': {
+ # Articles
+ 'the', 'a', 'an',
+ # Common prepositions
+ 'in', 'on', 'at', 'by', 'for', 'with', 'about', 'against',
+ 'between', 'into', 'through', 'during', 'before', 'after',
+ 'above', 'below', 'to', 'from', 'up', 'down', 'of',
+ # Conjunctions
+ 'and', 'or', 'but', 'nor', 'so', 'for', 'yet',
+ # Pronouns
+ 'i', 'you', 'he', 'she', 'it', 'we', 'they', 'this',
+ 'that', 'these', 'those', 'my', 'your', 'his', 'her',
+ # Auxiliary verbs
+ 'be', 'am', 'is', 'are', 'was', 'were', 'been', 'have',
+ 'has', 'had', 'do', 'does', 'did',
+ # Common academic words
+ 'therefore', 'however', 'thus', 'hence', 'moreover',
+ 'furthermore', 'nevertheless',
+ # Numbers written
+ 'one', 'two', 'three', 'first', 'second', 'third',
+ # Other common words
+ 'where', 'when', 'how', 'what', 'which', 'who',
+ 'whom', 'whose', 'there', 'here', 'just', 'only',
+ # Symbols and special characters
+ '#', '@', '/', '*', '+', '-', '=', '$', '%'
+ },
+ 'fr': {
+ # Articles
+ 'le', 'la', 'les', 'un', 'une', 'des',
+ # Prepositions
+ 'à', 'de', 'dans', 'sur', 'en', 'par', 'pour', 'avec',
+ 'sans', 'sous', 'entre', 'derrière', 'chez', 'avant',
+ # Conjunctions
+ 'et', 'ou', 'mais', 'donc', 'car', 'ni', 'or',
+ # Pronouns
+ 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils',
+ 'elles', 'ce', 'cette', 'ces', 'celui', 'celle',
+ # Auxiliary verbs
+ 'être', 'avoir', 'faire',
+ # Academic words
+ 'donc', 'cependant', 'néanmoins', 'ainsi', 'toutefois',
+ 'pourtant', 'alors',
+ # Numbers
+ 'un', 'deux', 'trois', 'premier', 'première', 'second',
+ # Other common words
+ 'où', 'quand', 'comment', 'que', 'qui', 'quoi',
+ 'quel', 'quelle', 'plus', 'moins',
+ # Symbols
+ '#', '@', '/', '*', '+', '-', '=', '$', '%'
+ }
+}
+
+##############################################################################################################
+def get_stopwords(lang_code):
+ """
+ Obtiene el conjunto de stopwords para un idioma específico.
+ Combina las stopwords de spaCy con las personalizadas.
+ """
+ try:
+ nlp = spacy.load(f'{lang_code}_core_news_sm')
+ spacy_stopwords = nlp.Defaults.stop_words
+ custom_stopwords = CUSTOM_STOPWORDS.get(lang_code, set())
+ return spacy_stopwords.union(custom_stopwords)
+ except:
+ return CUSTOM_STOPWORDS.get(lang_code, set())
+
+
+def perform_semantic_analysis(text, nlp, lang_code):
+ """
+ Realiza el análisis semántico completo del texto.
+ Args:
+ text: Texto a analizar
+ nlp: Modelo de spaCy
+ lang_code: Código del idioma
+ Returns:
+ dict: Resultados del análisis
+ """
+
+ logger.info(f"Starting semantic analysis for language: {lang_code}")
+ try:
+ doc = nlp(text)
+ key_concepts = identify_key_concepts(doc)
+ concept_graph = create_concept_graph(doc, key_concepts)
+ concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
+ entities = extract_entities(doc, lang_code)
+ entity_graph = create_entity_graph(entities)
+ entity_graph_fig = visualize_entity_graph(entity_graph, lang_code)
+
+ # Convertir figuras a bytes
+ concept_graph_bytes = fig_to_bytes(concept_graph_fig)
+ entity_graph_bytes = fig_to_bytes(entity_graph_fig)
+
+ logger.info("Semantic analysis completed successfully")
+ return {
+ 'key_concepts': key_concepts,
+ 'concept_graph': concept_graph_bytes,
+ 'entities': entities,
+ 'entity_graph': entity_graph_bytes
+ }
+ except Exception as e:
+ logger.error(f"Error in perform_semantic_analysis: {str(e)}")
+ raise
+
+
+def fig_to_bytes(fig):
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png')
+ buf.seek(0)
+ return buf.getvalue()
+
+
+def fig_to_html(fig):
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png')
+ buf.seek(0)
+ img_str = base64.b64encode(buf.getvalue()).decode()
+ return f''
+
+
+
+def identify_key_concepts(doc, min_freq=2, min_length=3):
+ """
+ Identifica conceptos clave en el texto.
+ Args:
+ doc: Documento procesado por spaCy
+ min_freq: Frecuencia mínima para considerar un concepto
+ min_length: Longitud mínima de palabra para considerar
+ Returns:
+ list: Lista de tuplas (concepto, frecuencia)
+ """
+ try:
+ # Obtener stopwords para el idioma
+ stopwords = get_stopwords(doc.lang_)
+
+ # Contar frecuencias de palabras
+ word_freq = Counter()
+
+ for token in doc:
+ if (token.lemma_.lower() not in stopwords and
+ len(token.lemma_) >= min_length and
+ token.is_alpha and
+ not token.is_punct and
+ not token.like_num):
+
+ word_freq[token.lemma_.lower()] += 1
+
+ # Filtrar por frecuencia mínima
+ concepts = [(word, freq) for word, freq in word_freq.items()
+ if freq >= min_freq]
+
+ # Ordenar por frecuencia
+ concepts.sort(key=lambda x: x[1], reverse=True)
+
+ return concepts[:10] # Retornar los 10 conceptos más frecuentes
+
+ except Exception as e:
+ logger.error(f"Error en identify_key_concepts: {str(e)}")
+ return [] # Retornar lista vacía en caso de error
+
+
+def create_concept_graph(doc, key_concepts):
+ """
+ Crea un grafo de relaciones entre conceptos.
+ Args:
+ doc: Documento procesado por spaCy
+ key_concepts: Lista de tuplas (concepto, frecuencia)
+ Returns:
+ nx.Graph: Grafo de conceptos
+ """
+ try:
+ G = nx.Graph()
+
+ # Crear un conjunto de conceptos clave para búsqueda rápida
+ concept_words = {concept[0].lower() for concept in key_concepts}
+
+ # Añadir nodos al grafo
+ for concept, freq in key_concepts:
+ G.add_node(concept.lower(), weight=freq)
+
+ # Analizar cada oración
+ for sent in doc.sents:
+ # Obtener conceptos en la oración actual
+ current_concepts = []
+ for token in sent:
+ if token.lemma_.lower() in concept_words:
+ current_concepts.append(token.lemma_.lower())
+
+ # Crear conexiones entre conceptos en la misma oración
+ for i, concept1 in enumerate(current_concepts):
+ for concept2 in current_concepts[i+1:]:
+ if concept1 != concept2:
+ # Si ya existe la arista, incrementar el peso
+ if G.has_edge(concept1, concept2):
+ G[concept1][concept2]['weight'] += 1
+ # Si no existe, crear nueva arista con peso 1
+ else:
+ G.add_edge(concept1, concept2, weight=1)
+
+ return G
+
+ except Exception as e:
+ logger.error(f"Error en create_concept_graph: {str(e)}")
+ # Retornar un grafo vacío en caso de error
+ return nx.Graph()
+
+def visualize_concept_graph(G, lang_code):
+ """
+ Visualiza el grafo de conceptos.
+ Args:
+ G: Grafo de networkx
+ lang_code: Código del idioma
+ Returns:
+ matplotlib.figure.Figure: Figura con el grafo visualizado
+ """
+ try:
+ plt.figure(figsize=(12, 8))
+
+ # Calcular el layout del grafo
+ pos = nx.spring_layout(G)
+
+ # Obtener pesos de nodos y aristas
+ node_weights = [G.nodes[node].get('weight', 1) * 500 for node in G.nodes()]
+ edge_weights = [G[u][v].get('weight', 1) for u, v in G.edges()]
+
+ # Dibujar el grafo
+ nx.draw_networkx_nodes(G, pos,
+ node_size=node_weights,
+ node_color='lightblue',
+ alpha=0.6)
+
+ nx.draw_networkx_edges(G, pos,
+ width=edge_weights,
+ alpha=0.5,
+ edge_color='gray')
+
+ nx.draw_networkx_labels(G, pos,
+ font_size=10,
+ font_weight='bold')
+
+ plt.title("Red de conceptos relacionados")
+ plt.axis('off')
+
+ return plt.gcf()
+
+ except Exception as e:
+ logger.error(f"Error en visualize_concept_graph: {str(e)}")
+ # Retornar una figura vacía en caso de error
+ return plt.figure()
+
+def create_entity_graph(entities):
+ G = nx.Graph()
+ for entity_type, entity_list in entities.items():
+ for entity in entity_list:
+ G.add_node(entity, type=entity_type)
+ for i, entity1 in enumerate(entity_list):
+ for entity2 in entity_list[i+1:]:
+ G.add_edge(entity1, entity2)
+ return G
+
+def visualize_entity_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ for entity_type, color in ENTITY_LABELS[lang_code].items():
+ node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
+ nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
+ nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
+ ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+
+#################################################################################
+def create_topic_graph(topics, doc):
+ G = nx.Graph()
+ for topic in topics:
+ G.add_node(topic, weight=doc.text.count(topic))
+ for i, topic1 in enumerate(topics):
+ for topic2 in topics[i+1:]:
+ weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
+ if weight > 0:
+ G.add_edge(topic1, topic2, weight=weight)
+ return G
+
+def visualize_topic_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
+ nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
+ edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
+ nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
+ ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+###########################################################################################
+def generate_summary(doc, lang_code):
+ sentences = list(doc.sents)
+ summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
+ return " ".join([sent.text for sent in summary])
+
+def extract_entities(doc, lang_code):
+ entities = defaultdict(list)
+ for ent in doc.ents:
+ if ent.label_ in ENTITY_LABELS[lang_code]:
+ entities[ent.label_].append(ent.text)
+ return dict(entities)
+
+def analyze_sentiment(doc, lang_code):
+ positive_words = sum(1 for token in doc if token.sentiment > 0)
+ negative_words = sum(1 for token in doc if token.sentiment < 0)
+ total_words = len(doc)
+ if positive_words > negative_words:
+ return "Positivo"
+ elif negative_words > positive_words:
+ return "Negativo"
+ else:
+ return "Neutral"
+
+def extract_topics(doc, lang_code):
+ vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
+ tfidf_matrix = vectorizer.fit_transform([doc.text])
+ feature_names = vectorizer.get_feature_names_out()
+ return list(feature_names)
+
+# Asegúrate de que todas las funciones necesarias estén exportadas
+__all__ = [
+ 'perform_semantic_analysis',
+ 'identify_key_concepts',
+ 'create_concept_graph',
+ 'visualize_concept_graph',
+ 'create_entity_graph',
+ 'visualize_entity_graph',
+ 'generate_summary',
+ 'extract_entities',
+ 'analyze_sentiment',
+ 'create_topic_graph',
+ 'visualize_topic_graph',
+ 'extract_topics',
+ 'ENTITY_LABELS',
+ 'POS_COLORS',
+ 'POS_TRANSLATIONS'
]
\ No newline at end of file
diff --git a/modules/text_analysis/semantic_analysis.py b/modules/text_analysis/semantic_analysis.py
index fbca4411824e5428bf3b03bcc993276ac62e6c36..931dd45f436f28be989264e5be860fa42913137e 100644
--- a/modules/text_analysis/semantic_analysis.py
+++ b/modules/text_analysis/semantic_analysis.py
@@ -1,484 +1,484 @@
-# modules/text_analysis/semantic_analysis.py
-
-# 1. Importaciones estándar del sistema
-import logging
-import io
-import base64
-from collections import Counter, defaultdict
-
-# 2. Importaciones de terceros
-import streamlit as st
-import spacy
-import networkx as nx
-import matplotlib.pyplot as plt
-from sklearn.feature_extraction.text import TfidfVectorizer
-from sklearn.metrics.pairwise import cosine_similarity
-
-# Solo configurar si no hay handlers ya configurados
-logger = logging.getLogger(__name__)
-
-# 4. Importaciones locales
-from .stopwords import (
- process_text,
- clean_text,
- get_custom_stopwords,
- get_stopwords_for_spacy
-)
-
-
-# Define colors for grammatical categories
-POS_COLORS = {
- 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
- 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
- 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
- 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
-}
-
-POS_TRANSLATIONS = {
- 'es': {
- 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
- 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
- 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
- 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
- 'VERB': 'Verbo', 'X': 'Otro',
- },
- 'en': {
- 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
- 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
- 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
- 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
- 'VERB': 'Verb', 'X': 'Other',
- },
- 'fr': {
- 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
- 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
- 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
- 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
- 'VERB': 'Verbe', 'X': 'Autre',
- }
-}
-
-ENTITY_LABELS = {
- 'es': {
- "Personas": "lightblue",
- "Lugares": "lightcoral",
- "Inventos": "lightgreen",
- "Fechas": "lightyellow",
- "Conceptos": "lightpink"
- },
- 'en': {
- "People": "lightblue",
- "Places": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- },
- 'fr': {
- "Personnes": "lightblue",
- "Lieux": "lightcoral",
- "Inventions": "lightgreen",
- "Dates": "lightyellow",
- "Concepts": "lightpink"
- }
-}
-
-def fig_to_bytes(fig):
- """Convierte una figura de matplotlib a bytes."""
- try:
- buf = io.BytesIO()
- fig.savefig(buf, format='png', dpi=300, bbox_inches='tight')
- buf.seek(0)
- return buf.getvalue()
- except Exception as e:
- logger.error(f"Error en fig_to_bytes: {str(e)}")
- return None
-
-###########################################################
-def perform_semantic_analysis(text, nlp, lang_code):
- """
- Realiza el análisis semántico completo del texto.
- """
- if not text or not nlp or not lang_code:
- logger.error("Parámetros inválidos para el análisis semántico")
- return {
- 'success': False,
- 'error': 'Parámetros inválidos'
- }
-
- try:
- logger.info(f"Starting semantic analysis for language: {lang_code}")
-
- # Procesar texto y remover stopwords
- doc = nlp(text)
- if not doc:
- logger.error("Error al procesar el texto con spaCy")
- return {
- 'success': False,
- 'error': 'Error al procesar el texto'
- }
-
- # Identificar conceptos clave
- logger.info("Identificando conceptos clave...")
- stopwords = get_custom_stopwords(lang_code)
- key_concepts = identify_key_concepts(doc, stopwords=stopwords)
-
- if not key_concepts:
- logger.warning("No se identificaron conceptos clave")
- return {
- 'success': False,
- 'error': 'No se pudieron identificar conceptos clave'
- }
-
- # Crear grafo de conceptos
- logger.info(f"Creando grafo de conceptos con {len(key_concepts)} conceptos...")
- concept_graph = create_concept_graph(doc, key_concepts)
-
- if not concept_graph.nodes():
- logger.warning("Se creó un grafo vacío")
- return {
- 'success': False,
- 'error': 'No se pudo crear el grafo de conceptos'
- }
-
- # Visualizar grafo
- logger.info("Visualizando grafo...")
- plt.clf() # Limpiar figura actual
- concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
-
- # Convertir a bytes
- logger.info("Convirtiendo grafo a bytes...")
- graph_bytes = fig_to_bytes(concept_graph_fig)
-
- if not graph_bytes:
- logger.error("Error al convertir grafo a bytes")
- return {
- 'success': False,
- 'error': 'Error al generar visualización'
- }
-
- # Limpiar recursos
- plt.close(concept_graph_fig)
- plt.close('all')
-
- result = {
- 'success': True,
- 'key_concepts': key_concepts,
- 'concept_graph': graph_bytes
- }
-
- logger.info("Análisis semántico completado exitosamente")
- return result
-
- except Exception as e:
- logger.error(f"Error in perform_semantic_analysis: {str(e)}")
- plt.close('all') # Asegurarse de limpiar recursos
- return {
- 'success': False,
- 'error': str(e)
- }
- finally:
- plt.close('all') # Asegurar limpieza incluso si hay error
-
-############################################################
-
-def identify_key_concepts(doc, stopwords, min_freq=2, min_length=3):
- """
- Identifica conceptos clave en el texto, excluyendo entidades nombradas.
- Args:
- doc: Documento procesado por spaCy
- stopwords: Lista de stopwords
- min_freq: Frecuencia mínima para considerar un concepto
- min_length: Longitud mínima del concepto
- Returns:
- List[Tuple[str, int]]: Lista de tuplas (concepto, frecuencia)
- """
- try:
- word_freq = Counter()
-
- # Crear conjunto de tokens que son parte de entidades
- entity_tokens = set()
- for ent in doc.ents:
- entity_tokens.update(token.i for token in ent)
-
- # Procesar tokens
- for token in doc:
- # Verificar si el token no es parte de una entidad nombrada
- if (token.i not in entity_tokens and # No es parte de una entidad
- token.lemma_.lower() not in stopwords and # No es stopword
- len(token.lemma_) >= min_length and # Longitud mínima
- token.is_alpha and # Es alfabético
- not token.is_punct and # No es puntuación
- not token.like_num and # No es número
- not token.is_space and # No es espacio
- not token.is_stop and # No es stopword de spaCy
- not token.pos_ == 'PROPN' and # No es nombre propio
- not token.pos_ == 'SYM' and # No es símbolo
- not token.pos_ == 'NUM' and # No es número
- not token.pos_ == 'X'): # No es otro
-
- # Convertir a minúsculas y añadir al contador
- word_freq[token.lemma_.lower()] += 1
-
- # Filtrar conceptos por frecuencia mínima y ordenar por frecuencia
- concepts = [(word, freq) for word, freq in word_freq.items()
- if freq >= min_freq]
- concepts.sort(key=lambda x: x[1], reverse=True)
-
- logger.info(f"Identified {len(concepts)} key concepts after excluding entities")
- return concepts[:10]
-
- except Exception as e:
- logger.error(f"Error en identify_key_concepts: {str(e)}")
- return []
-
-########################################################################
-
-def create_concept_graph(doc, key_concepts):
- """
- Crea un grafo de relaciones entre conceptos, ignorando entidades.
- Args:
- doc: Documento procesado por spaCy
- key_concepts: Lista de tuplas (concepto, frecuencia)
- Returns:
- nx.Graph: Grafo de conceptos
- """
- try:
- G = nx.Graph()
-
- # Crear un conjunto de conceptos clave para búsqueda rápida
- concept_words = {concept[0].lower() for concept in key_concepts}
-
- # Crear conjunto de tokens que son parte de entidades
- entity_tokens = set()
- for ent in doc.ents:
- entity_tokens.update(token.i for token in ent)
-
- # Añadir nodos al grafo
- for concept, freq in key_concepts:
- G.add_node(concept.lower(), weight=freq)
-
- # Analizar cada oración
- for sent in doc.sents:
- # Obtener conceptos en la oración actual, excluyendo entidades
- current_concepts = []
- for token in sent:
- if (token.i not in entity_tokens and
- token.lemma_.lower() in concept_words):
- current_concepts.append(token.lemma_.lower())
-
- # Crear conexiones entre conceptos en la misma oración
- for i, concept1 in enumerate(current_concepts):
- for concept2 in current_concepts[i+1:]:
- if concept1 != concept2:
- if G.has_edge(concept1, concept2):
- G[concept1][concept2]['weight'] += 1
- else:
- G.add_edge(concept1, concept2, weight=1)
-
- return G
-
- except Exception as e:
- logger.error(f"Error en create_concept_graph: {str(e)}")
- return nx.Graph()
-
-###############################################################################
-
-def visualize_concept_graph(G, lang_code):
- """
- Visualiza el grafo de conceptos con layout consistente.
- Args:
- G: networkx.Graph - Grafo de conceptos
- lang_code: str - Código del idioma
- Returns:
- matplotlib.figure.Figure - Figura del grafo
- """
- try:
- # Crear nueva figura con mayor tamaño y definir los ejes explícitamente
- fig, ax = plt.subplots(figsize=(15, 10))
-
- if not G.nodes():
- logger.warning("Grafo vacío, retornando figura vacía")
- return fig
-
- # Convertir grafo no dirigido a dirigido para mostrar flechas
- DG = nx.DiGraph(G)
-
- # Calcular centralidad de los nodos para el color
- centrality = nx.degree_centrality(G)
-
- # Establecer semilla para reproducibilidad
- seed = 42
-
- # Calcular layout con parámetros fijos
- pos = nx.spring_layout(
- DG,
- k=2, # Distancia ideal entre nodos
- iterations=50, # Número de iteraciones
- seed=seed # Semilla fija para reproducibilidad
- )
-
- # Calcular factor de escala basado en número de nodos
- num_nodes = len(DG.nodes())
- scale_factor = 1000 if num_nodes < 10 else 500 if num_nodes < 20 else 200
-
- # Obtener pesos ajustados
- node_weights = [DG.nodes[node].get('weight', 1) * scale_factor for node in DG.nodes()]
- edge_weights = [DG[u][v].get('weight', 1) for u, v in DG.edges()]
-
- # Crear mapa de colores basado en centralidad
- node_colors = [plt.cm.viridis(centrality[node]) for node in DG.nodes()]
-
- # Dibujar nodos
- nodes = nx.draw_networkx_nodes(
- DG,
- pos,
- node_size=node_weights,
- node_color=node_colors,
- alpha=0.7,
- ax=ax
- )
-
- # Dibujar aristas con flechas
- edges = nx.draw_networkx_edges(
- DG,
- pos,
- width=edge_weights,
- alpha=0.6,
- edge_color='gray',
- arrows=True,
- arrowsize=20,
- arrowstyle='->',
- connectionstyle='arc3,rad=0.2',
- ax=ax
- )
-
- # Ajustar tamaño de fuente según número de nodos
- font_size = 12 if num_nodes < 10 else 10 if num_nodes < 20 else 8
-
- # Dibujar etiquetas con fondo blanco para mejor legibilidad
- labels = nx.draw_networkx_labels(
- DG,
- pos,
- font_size=font_size,
- font_weight='bold',
- bbox=dict(
- facecolor='white',
- edgecolor='none',
- alpha=0.7
- ),
- ax=ax
- )
-
- # Añadir leyenda de centralidad
- sm = plt.cm.ScalarMappable(
- cmap=plt.cm.viridis,
- norm=plt.Normalize(vmin=0, vmax=1)
- )
- sm.set_array([])
- plt.colorbar(sm, ax=ax, label='Centralidad del concepto')
-
- plt.title("Red de conceptos relacionados", pad=20, fontsize=14)
- ax.set_axis_off()
-
- # Ajustar el layout para que la barra de color no se superponga
- plt.tight_layout()
-
- return fig
-
- except Exception as e:
- logger.error(f"Error en visualize_concept_graph: {str(e)}")
- return plt.figure() # Retornar figura vacía en caso de error
-
-########################################################################
-def create_entity_graph(entities):
- G = nx.Graph()
- for entity_type, entity_list in entities.items():
- for entity in entity_list:
- G.add_node(entity, type=entity_type)
- for i, entity1 in enumerate(entity_list):
- for entity2 in entity_list[i+1:]:
- G.add_edge(entity1, entity2)
- return G
-
-
-#############################################################
-def visualize_entity_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- for entity_type, color in ENTITY_LABELS[lang_code].items():
- node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
- nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
- nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
- ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-
-#################################################################################
-def create_topic_graph(topics, doc):
- G = nx.Graph()
- for topic in topics:
- G.add_node(topic, weight=doc.text.count(topic))
- for i, topic1 in enumerate(topics):
- for topic2 in topics[i+1:]:
- weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
- if weight > 0:
- G.add_edge(topic1, topic2, weight=weight)
- return G
-
-def visualize_topic_graph(G, lang_code):
- fig, ax = plt.subplots(figsize=(12, 8))
- pos = nx.spring_layout(G)
- node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
- nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
- nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
- edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
- nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
- ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
- ax.axis('off')
- plt.tight_layout()
- return fig
-
-###########################################################################################
-def generate_summary(doc, lang_code):
- sentences = list(doc.sents)
- summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
- return " ".join([sent.text for sent in summary])
-
-def extract_entities(doc, lang_code):
- entities = defaultdict(list)
- for ent in doc.ents:
- if ent.label_ in ENTITY_LABELS[lang_code]:
- entities[ent.label_].append(ent.text)
- return dict(entities)
-
-def analyze_sentiment(doc, lang_code):
- positive_words = sum(1 for token in doc if token.sentiment > 0)
- negative_words = sum(1 for token in doc if token.sentiment < 0)
- total_words = len(doc)
- if positive_words > negative_words:
- return "Positivo"
- elif negative_words > positive_words:
- return "Negativo"
- else:
- return "Neutral"
-
-def extract_topics(doc, lang_code):
- vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
- tfidf_matrix = vectorizer.fit_transform([doc.text])
- feature_names = vectorizer.get_feature_names_out()
- return list(feature_names)
-
-# Asegúrate de que todas las funciones necesarias estén exportadas
-__all__ = [
- 'perform_semantic_analysis',
- 'identify_key_concepts',
- 'create_concept_graph',
- 'visualize_concept_graph',
- 'fig_to_bytes', # Faltaba esta coma
- 'ENTITY_LABELS',
- 'POS_COLORS',
- 'POS_TRANSLATIONS'
+# modules/text_analysis/semantic_analysis.py
+
+# 1. Importaciones estándar del sistema
+import logging
+import io
+import base64
+from collections import Counter, defaultdict
+
+# 2. Importaciones de terceros
+import streamlit as st
+import spacy
+import networkx as nx
+import matplotlib.pyplot as plt
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.metrics.pairwise import cosine_similarity
+
+# Solo configurar si no hay handlers ya configurados
+logger = logging.getLogger(__name__)
+
+# 4. Importaciones locales
+from .stopwords import (
+ process_text,
+ clean_text,
+ get_custom_stopwords,
+ get_stopwords_for_spacy
+)
+
+
+# Define colors for grammatical categories
+POS_COLORS = {
+ 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD',
+ 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90',
+ 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA',
+ 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9',
+}
+
+POS_TRANSLATIONS = {
+ 'es': {
+ 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar',
+ 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección',
+ 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre',
+ 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo',
+ 'VERB': 'Verbo', 'X': 'Otro',
+ },
+ 'en': {
+ 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary',
+ 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection',
+ 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun',
+ 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol',
+ 'VERB': 'Verb', 'X': 'Other',
+ },
+ 'fr': {
+ 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire',
+ 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection',
+ 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom',
+ 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole',
+ 'VERB': 'Verbe', 'X': 'Autre',
+ }
+}
+
+ENTITY_LABELS = {
+ 'es': {
+ "Personas": "lightblue",
+ "Lugares": "lightcoral",
+ "Inventos": "lightgreen",
+ "Fechas": "lightyellow",
+ "Conceptos": "lightpink"
+ },
+ 'en': {
+ "People": "lightblue",
+ "Places": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ },
+ 'fr': {
+ "Personnes": "lightblue",
+ "Lieux": "lightcoral",
+ "Inventions": "lightgreen",
+ "Dates": "lightyellow",
+ "Concepts": "lightpink"
+ }
+}
+
+def fig_to_bytes(fig):
+ """Convierte una figura de matplotlib a bytes."""
+ try:
+ buf = io.BytesIO()
+ fig.savefig(buf, format='png', dpi=300, bbox_inches='tight')
+ buf.seek(0)
+ return buf.getvalue()
+ except Exception as e:
+ logger.error(f"Error en fig_to_bytes: {str(e)}")
+ return None
+
+###########################################################
+def perform_semantic_analysis(text, nlp, lang_code):
+ """
+ Realiza el análisis semántico completo del texto.
+ """
+ if not text or not nlp or not lang_code:
+ logger.error("Parámetros inválidos para el análisis semántico")
+ return {
+ 'success': False,
+ 'error': 'Parámetros inválidos'
+ }
+
+ try:
+ logger.info(f"Starting semantic analysis for language: {lang_code}")
+
+ # Procesar texto y remover stopwords
+ doc = nlp(text)
+ if not doc:
+ logger.error("Error al procesar el texto con spaCy")
+ return {
+ 'success': False,
+ 'error': 'Error al procesar el texto'
+ }
+
+ # Identificar conceptos clave
+ logger.info("Identificando conceptos clave...")
+ stopwords = get_custom_stopwords(lang_code)
+ key_concepts = identify_key_concepts(doc, stopwords=stopwords)
+
+ if not key_concepts:
+ logger.warning("No se identificaron conceptos clave")
+ return {
+ 'success': False,
+ 'error': 'No se pudieron identificar conceptos clave'
+ }
+
+ # Crear grafo de conceptos
+ logger.info(f"Creando grafo de conceptos con {len(key_concepts)} conceptos...")
+ concept_graph = create_concept_graph(doc, key_concepts)
+
+ if not concept_graph.nodes():
+ logger.warning("Se creó un grafo vacío")
+ return {
+ 'success': False,
+ 'error': 'No se pudo crear el grafo de conceptos'
+ }
+
+ # Visualizar grafo
+ logger.info("Visualizando grafo...")
+ plt.clf() # Limpiar figura actual
+ concept_graph_fig = visualize_concept_graph(concept_graph, lang_code)
+
+ # Convertir a bytes
+ logger.info("Convirtiendo grafo a bytes...")
+ graph_bytes = fig_to_bytes(concept_graph_fig)
+
+ if not graph_bytes:
+ logger.error("Error al convertir grafo a bytes")
+ return {
+ 'success': False,
+ 'error': 'Error al generar visualización'
+ }
+
+ # Limpiar recursos
+ plt.close(concept_graph_fig)
+ plt.close('all')
+
+ result = {
+ 'success': True,
+ 'key_concepts': key_concepts,
+ 'concept_graph': graph_bytes
+ }
+
+ logger.info("Análisis semántico completado exitosamente")
+ return result
+
+ except Exception as e:
+ logger.error(f"Error in perform_semantic_analysis: {str(e)}")
+ plt.close('all') # Asegurarse de limpiar recursos
+ return {
+ 'success': False,
+ 'error': str(e)
+ }
+ finally:
+ plt.close('all') # Asegurar limpieza incluso si hay error
+
+############################################################
+
+def identify_key_concepts(doc, stopwords, min_freq=2, min_length=3):
+ """
+ Identifica conceptos clave en el texto, excluyendo entidades nombradas.
+ Args:
+ doc: Documento procesado por spaCy
+ stopwords: Lista de stopwords
+ min_freq: Frecuencia mínima para considerar un concepto
+ min_length: Longitud mínima del concepto
+ Returns:
+ List[Tuple[str, int]]: Lista de tuplas (concepto, frecuencia)
+ """
+ try:
+ word_freq = Counter()
+
+ # Crear conjunto de tokens que son parte de entidades
+ entity_tokens = set()
+ for ent in doc.ents:
+ entity_tokens.update(token.i for token in ent)
+
+ # Procesar tokens
+ for token in doc:
+ # Verificar si el token no es parte de una entidad nombrada
+ if (token.i not in entity_tokens and # No es parte de una entidad
+ token.lemma_.lower() not in stopwords and # No es stopword
+ len(token.lemma_) >= min_length and # Longitud mínima
+ token.is_alpha and # Es alfabético
+ not token.is_punct and # No es puntuación
+ not token.like_num and # No es número
+ not token.is_space and # No es espacio
+ not token.is_stop and # No es stopword de spaCy
+ not token.pos_ == 'PROPN' and # No es nombre propio
+ not token.pos_ == 'SYM' and # No es símbolo
+ not token.pos_ == 'NUM' and # No es número
+ not token.pos_ == 'X'): # No es otro
+
+ # Convertir a minúsculas y añadir al contador
+ word_freq[token.lemma_.lower()] += 1
+
+ # Filtrar conceptos por frecuencia mínima y ordenar por frecuencia
+ concepts = [(word, freq) for word, freq in word_freq.items()
+ if freq >= min_freq]
+ concepts.sort(key=lambda x: x[1], reverse=True)
+
+ logger.info(f"Identified {len(concepts)} key concepts after excluding entities")
+ return concepts[:10]
+
+ except Exception as e:
+ logger.error(f"Error en identify_key_concepts: {str(e)}")
+ return []
+
+########################################################################
+
+def create_concept_graph(doc, key_concepts):
+ """
+ Crea un grafo de relaciones entre conceptos, ignorando entidades.
+ Args:
+ doc: Documento procesado por spaCy
+ key_concepts: Lista de tuplas (concepto, frecuencia)
+ Returns:
+ nx.Graph: Grafo de conceptos
+ """
+ try:
+ G = nx.Graph()
+
+ # Crear un conjunto de conceptos clave para búsqueda rápida
+ concept_words = {concept[0].lower() for concept in key_concepts}
+
+ # Crear conjunto de tokens que son parte de entidades
+ entity_tokens = set()
+ for ent in doc.ents:
+ entity_tokens.update(token.i for token in ent)
+
+ # Añadir nodos al grafo
+ for concept, freq in key_concepts:
+ G.add_node(concept.lower(), weight=freq)
+
+ # Analizar cada oración
+ for sent in doc.sents:
+ # Obtener conceptos en la oración actual, excluyendo entidades
+ current_concepts = []
+ for token in sent:
+ if (token.i not in entity_tokens and
+ token.lemma_.lower() in concept_words):
+ current_concepts.append(token.lemma_.lower())
+
+ # Crear conexiones entre conceptos en la misma oración
+ for i, concept1 in enumerate(current_concepts):
+ for concept2 in current_concepts[i+1:]:
+ if concept1 != concept2:
+ if G.has_edge(concept1, concept2):
+ G[concept1][concept2]['weight'] += 1
+ else:
+ G.add_edge(concept1, concept2, weight=1)
+
+ return G
+
+ except Exception as e:
+ logger.error(f"Error en create_concept_graph: {str(e)}")
+ return nx.Graph()
+
+###############################################################################
+
+def visualize_concept_graph(G, lang_code):
+ """
+ Visualiza el grafo de conceptos con layout consistente.
+ Args:
+ G: networkx.Graph - Grafo de conceptos
+ lang_code: str - Código del idioma
+ Returns:
+ matplotlib.figure.Figure - Figura del grafo
+ """
+ try:
+ # Crear nueva figura con mayor tamaño y definir los ejes explícitamente
+ fig, ax = plt.subplots(figsize=(15, 10))
+
+ if not G.nodes():
+ logger.warning("Grafo vacío, retornando figura vacía")
+ return fig
+
+ # Convertir grafo no dirigido a dirigido para mostrar flechas
+ DG = nx.DiGraph(G)
+
+ # Calcular centralidad de los nodos para el color
+ centrality = nx.degree_centrality(G)
+
+ # Establecer semilla para reproducibilidad
+ seed = 42
+
+ # Calcular layout con parámetros fijos
+ pos = nx.spring_layout(
+ DG,
+ k=2, # Distancia ideal entre nodos
+ iterations=50, # Número de iteraciones
+ seed=seed # Semilla fija para reproducibilidad
+ )
+
+ # Calcular factor de escala basado en número de nodos
+ num_nodes = len(DG.nodes())
+ scale_factor = 1000 if num_nodes < 10 else 500 if num_nodes < 20 else 200
+
+ # Obtener pesos ajustados
+ node_weights = [DG.nodes[node].get('weight', 1) * scale_factor for node in DG.nodes()]
+ edge_weights = [DG[u][v].get('weight', 1) for u, v in DG.edges()]
+
+ # Crear mapa de colores basado en centralidad
+ node_colors = [plt.cm.viridis(centrality[node]) for node in DG.nodes()]
+
+ # Dibujar nodos
+ nodes = nx.draw_networkx_nodes(
+ DG,
+ pos,
+ node_size=node_weights,
+ node_color=node_colors,
+ alpha=0.7,
+ ax=ax
+ )
+
+ # Dibujar aristas con flechas
+ edges = nx.draw_networkx_edges(
+ DG,
+ pos,
+ width=edge_weights,
+ alpha=0.6,
+ edge_color='gray',
+ arrows=True,
+ arrowsize=20,
+ arrowstyle='->',
+ connectionstyle='arc3,rad=0.2',
+ ax=ax
+ )
+
+ # Ajustar tamaño de fuente según número de nodos
+ font_size = 12 if num_nodes < 10 else 10 if num_nodes < 20 else 8
+
+ # Dibujar etiquetas con fondo blanco para mejor legibilidad
+ labels = nx.draw_networkx_labels(
+ DG,
+ pos,
+ font_size=font_size,
+ font_weight='bold',
+ bbox=dict(
+ facecolor='white',
+ edgecolor='none',
+ alpha=0.7
+ ),
+ ax=ax
+ )
+
+ # Añadir leyenda de centralidad
+ sm = plt.cm.ScalarMappable(
+ cmap=plt.cm.viridis,
+ norm=plt.Normalize(vmin=0, vmax=1)
+ )
+ sm.set_array([])
+ plt.colorbar(sm, ax=ax, label='Centralidad del concepto')
+
+ plt.title("Red de conceptos relacionados", pad=20, fontsize=14)
+ ax.set_axis_off()
+
+ # Ajustar el layout para que la barra de color no se superponga
+ plt.tight_layout()
+
+ return fig
+
+ except Exception as e:
+ logger.error(f"Error en visualize_concept_graph: {str(e)}")
+ return plt.figure() # Retornar figura vacía en caso de error
+
+########################################################################
+def create_entity_graph(entities):
+ G = nx.Graph()
+ for entity_type, entity_list in entities.items():
+ for entity in entity_list:
+ G.add_node(entity, type=entity_type)
+ for i, entity1 in enumerate(entity_list):
+ for entity2 in entity_list[i+1:]:
+ G.add_edge(entity1, entity2)
+ return G
+
+
+#############################################################
+def visualize_entity_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ for entity_type, color in ENTITY_LABELS[lang_code].items():
+ node_list = [node for node, data in G.nodes(data=True) if data['type'] == entity_type]
+ nx.draw_networkx_nodes(G, pos, nodelist=node_list, node_color=color, node_size=500, alpha=0.8, ax=ax)
+ nx.draw_networkx_edges(G, pos, width=1, alpha=0.5, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=8, font_weight="bold", ax=ax)
+ ax.set_title(f"Relaciones entre Entidades ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+
+#################################################################################
+def create_topic_graph(topics, doc):
+ G = nx.Graph()
+ for topic in topics:
+ G.add_node(topic, weight=doc.text.count(topic))
+ for i, topic1 in enumerate(topics):
+ for topic2 in topics[i+1:]:
+ weight = sum(1 for sent in doc.sents if topic1 in sent.text and topic2 in sent.text)
+ if weight > 0:
+ G.add_edge(topic1, topic2, weight=weight)
+ return G
+
+def visualize_topic_graph(G, lang_code):
+ fig, ax = plt.subplots(figsize=(12, 8))
+ pos = nx.spring_layout(G)
+ node_sizes = [G.nodes[node]['weight'] * 100 for node in G.nodes()]
+ nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='lightgreen', alpha=0.8, ax=ax)
+ nx.draw_networkx_labels(G, pos, font_size=10, font_weight="bold", ax=ax)
+ edge_weights = [G[u][v]['weight'] for u, v in G.edges()]
+ nx.draw_networkx_edges(G, pos, width=edge_weights, alpha=0.5, ax=ax)
+ ax.set_title(f"Relaciones entre Temas ({lang_code})", fontsize=16)
+ ax.axis('off')
+ plt.tight_layout()
+ return fig
+
+###########################################################################################
+def generate_summary(doc, lang_code):
+ sentences = list(doc.sents)
+ summary = sentences[:3] # Toma las primeras 3 oraciones como resumen
+ return " ".join([sent.text for sent in summary])
+
+def extract_entities(doc, lang_code):
+ entities = defaultdict(list)
+ for ent in doc.ents:
+ if ent.label_ in ENTITY_LABELS[lang_code]:
+ entities[ent.label_].append(ent.text)
+ return dict(entities)
+
+def analyze_sentiment(doc, lang_code):
+ positive_words = sum(1 for token in doc if token.sentiment > 0)
+ negative_words = sum(1 for token in doc if token.sentiment < 0)
+ total_words = len(doc)
+ if positive_words > negative_words:
+ return "Positivo"
+ elif negative_words > positive_words:
+ return "Negativo"
+ else:
+ return "Neutral"
+
+def extract_topics(doc, lang_code):
+ vectorizer = TfidfVectorizer(stop_words='english', max_features=5)
+ tfidf_matrix = vectorizer.fit_transform([doc.text])
+ feature_names = vectorizer.get_feature_names_out()
+ return list(feature_names)
+
+# Asegúrate de que todas las funciones necesarias estén exportadas
+__all__ = [
+ 'perform_semantic_analysis',
+ 'identify_key_concepts',
+ 'create_concept_graph',
+ 'visualize_concept_graph',
+ 'fig_to_bytes', # Faltaba esta coma
+ 'ENTITY_LABELS',
+ 'POS_COLORS',
+ 'POS_TRANSLATIONS'
]
\ No newline at end of file
diff --git a/modules/text_analysis/stopwords.py b/modules/text_analysis/stopwords.py
index 38feeeb41ba539c0b226c8e4e86462408a2fec4c..844d14f3a10108599907f31e65e63d0189e744d0 100644
--- a/modules/text_analysis/stopwords.py
+++ b/modules/text_analysis/stopwords.py
@@ -1,188 +1,188 @@
-# modules/text_analysis/stopwords.py
-import spacy
-from typing import Set, List
-
-def get_custom_stopwords(lang_code: str) -> Set[str]:
- """
- Retorna un conjunto de stopwords personalizadas según el idioma.
- """
- # Stopwords base en español
- # Símbolos, números y caracteres especiales
-
- SYMBOLS_AND_NUMBERS = {
- # Números
- '0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
-
- # Signos de puntuación básicos
- '.', ',', ';', ':', '!', '¡', '?', '¿', '"', "'",
-
- # Símbolos matemáticos
- '+', '-', '*', '/', '=', '<', '>', '%',
-
- # Paréntesis y otros delimitadores
- '(', ')', '[', ']', '{', '}',
-
- # Otros símbolos comunes
- '@', '#', '$', '€', '£', '¥', '&', '_', '|', '\\', '/',
-
- # Caracteres especiales
- '•', '·', '…', '—', '–', '°', '´', '`', '^', '¨',
-
- # Símbolos de ordenamiento
- '§', '†', '‡', '¶',
-
- # Símbolos de copyright y marcas registradas
- '©', '®', '™',
-
- # Fracciones comunes
- '½', '¼', '¾', '⅓', '⅔',
-
- # Otros caracteres especiales
- '±', '×', '÷', '∞', '≠', '≤', '≥', '≈', '∑', '∏', '√',
-
- # Espacios y caracteres de control
- ' ', '\t', '\n', '\r', '\f', '\v'
-}
- spanish_stopwords = {
- 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas', 'y', 'o', 'pero', 'si',
- 'de', 'del', 'al', 'a', 'ante', 'bajo', 'cabe', 'con', 'contra', 'de', 'desde',
- 'en', 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin', 'sobre', 'tras',
- 'que', 'más', 'este', 'esta', 'estos', 'estas', 'ese', 'esa', 'esos', 'esas',
- 'muy', 'mucho', 'muchos', 'muchas', 'ser', 'estar', 'tener', 'hacer', 'como',
- 'cuando', 'donde', 'quien', 'cual', 'mientras', 'sino', 'pues', 'porque',
- 'cada', 'cual', 'cuales', 'cuanta', 'cuantas', 'cuanto', 'cuantos', 'uno', 'dos', 'tres', 'cuatro', 'cinco', 'seis', 'siete', 'ocho', 'nueve', 'diez',
- 'once', 'doce', 'trece', 'catorce', 'quince', 'dieciséis', 'diecisiete', 'dieciocho', 'diecinueve', 'veinte',
- 'treinta', 'cuarenta', 'cincuenta', 'sesenta', 'setenta', 'ochenta', 'noventa', 'cien', 'mil', 'millón',
- 'primero', 'segundo', 'tercero', 'cuarto', 'quinto', 'sexto', 'séptimo', 'octavo', 'noveno', 'décimo'
- }
-
- # Stopwords base en inglés
- english_stopwords = {
- 'the', 'be', 'to', 'of', 'and', 'a', 'in', 'that', 'have', 'i', 'it', 'for',
- 'not', 'on', 'with', 'he', 'as', 'you', 'do', 'at', 'this', 'but', 'his',
- 'by', 'from', 'they', 'we', 'say', 'her', 'she', 'or', 'an', 'will', 'my',
- 'one', 'all', 'would', 'there', 'their', 'what', 'so', 'up', 'out', 'if',
- 'about', 'who', 'get', 'which', 'go', 'me', 'one', 'two', 'three', 'four', 'five', 'six', 'seven', 'eight', 'nine', 'ten',
- 'eleven', 'twelve', 'thirteen', 'fourteen', 'fifteen', 'sixteen', 'seventeen', 'eighteen', 'nineteen', 'twenty',
- 'thirty', 'forty', 'fifty', 'sixty', 'seventy', 'eighty', 'ninety', 'hundred', 'thousand', 'million',
- 'first', 'second', 'third', 'fourth', 'fifth', 'sixth', 'seventh', 'eighth', 'ninth', 'tenth'
- }
-
- french_stopwords = {
- 'le', 'la', 'les', 'un', 'une', 'des', 'du', 'de', 'et', 'ou', 'mais', 'si',
- 'à', 'dans', 'sur', 'pour', 'en', 'vers', 'par', 'avec', 'sans', 'sous', 'sur',
- 'que', 'qui', 'quoi', 'dont', 'où', 'quand', 'comment', 'pourquoi',
- 'ce', 'cet', 'cette', 'ces', 'mon', 'ton', 'son', 'ma', 'ta', 'sa',
- 'mes', 'tes', 'ses', 'notre', 'votre', 'leur', 'nos', 'vos', 'leurs',
- 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils', 'elles',
- 'me', 'te', 'se', 'lui', 'leur', 'y', 'en', 'plus', 'moins',
- 'très', 'trop', 'peu', 'beaucoup', 'assez', 'tout', 'toute', 'tous', 'toutes',
- 'autre', 'autres', 'même', 'mêmes', 'tel', 'telle', 'tels', 'telles',
- 'quel', 'quelle', 'quels', 'quelles', 'quelque', 'quelques',
- 'aucun', 'aucune', 'aucuns', 'aucunes', 'plusieurs', 'chaque',
- 'être', 'avoir', 'faire', 'dire', 'aller', 'venir', 'voir', 'savoir',
- 'pouvoir', 'vouloir', 'falloir', 'devoir', 'croire', 'sembler',
- 'alors', 'ainsi', 'car', 'donc', 'or', 'ni', 'ne', 'pas', 'plus',
- 'jamais', 'toujours', 'parfois', 'souvent', 'maintenant', 'après',
- 'avant', 'pendant', 'depuis', 'déjà', 'encore', 'ici', 'là',
- 'oui', 'non', 'peut-être', 'bien', 'mal', 'aussi', 'surtout',
- 'c\'est', 'j\'ai', 'n\'est', 'd\'un', 'd\'une', 'qu\'il', 'qu\'elle',
- 'un', 'deux', 'trois', 'quatre', 'cinq', 'six', 'sept', 'huit', 'neuf', 'dix',
- 'onze', 'douze', 'treize', 'quatorze', 'quinze', 'seize', 'dix-sept', 'dix-huit', 'dix-neuf', 'vingt',
- 'trente', 'quarante', 'cinquante', 'soixante', 'soixante-dix', 'quatre-vingts', 'quatre-vingt-dix', 'cent', 'mille', 'million',
- 'premier', 'deuxième', 'troisième', 'quatrième', 'cinquième', 'sixième', 'septième', 'huitième', 'neuvième', 'dixième'
-}
-
- stopwords_dict = {
- 'es': spanish_stopwords,
- 'en': english_stopwords,
- 'fr': french_stopwords
- }
-
- # Obtener stopwords del idioma especificado o devolver conjunto vacío si no existe
- return stopwords_dict.get(lang_code, set())
-
-def process_text(text: str, lang_code: str, nlp) -> List[str]:
- """
- Procesa un texto completo, removiendo stopwords, símbolos y números.
-
- Args:
- text (str): Texto a procesar
- lang_code (str): Código del idioma ('es', 'en', 'fr')
- nlp: Modelo de spaCy cargado
-
- Returns:
- List[str]: Lista de tokens procesados
- """
- try:
- # Obtener stopwords personalizadas
- custom_stopwords = get_custom_stopwords(lang_code)
-
- # Procesar el texto con spaCy
- doc = nlp(text)
-
- # Filtrar y procesar tokens
- processed_tokens = []
- for token in doc:
- # Convertir a minúsculas y obtener el lema
- lemma = token.lemma_.lower()
-
- # Aplicar filtros
- if (len(lemma) >= 2 and # Longitud mínima
- lemma not in custom_stopwords and # No es stopword
- not token.is_punct and # No es puntuación
- not token.is_space and # No es espacio
- lemma not in SYMBOLS_AND_NUMBERS and # No es símbolo o número
- not any(char in string.punctuation for char in lemma) and # No contiene puntuación
- not any(char.isdigit() for char in lemma)): # No contiene números
-
- processed_tokens.append(lemma)
-
- return processed_tokens
-
- except Exception as e:
- logger.error(f"Error en process_text: {str(e)}")
- return []
-
-def clean_text(text: str) -> str:
- """
- Limpia un texto removiendo caracteres especiales y normalizando espacios.
-
- Args:
- text (str): Texto a limpiar
-
- Returns:
- str: Texto limpio
- """
- # Remover caracteres especiales y números
- cleaned = ''.join(char for char in text if char not in SYMBOLS_AND_NUMBERS)
-
- # Normalizar espacios
- cleaned = ' '.join(cleaned.split())
-
- return cleaned.strip()
-
-def get_stopwords_for_spacy(lang_code: str, nlp) -> Set[str]:
- """
- Combina stopwords personalizadas con las de spaCy.
-
- Args:
- lang_code (str): Código del idioma
- nlp: Modelo de spaCy
-
- Returns:
- Set[str]: Conjunto combinado de stopwords
- """
- custom_stops = get_custom_stopwords(lang_code)
- spacy_stops = nlp.Defaults.stop_words if hasattr(nlp.Defaults, 'stop_words') else set()
-
- return custom_stops.union(spacy_stops)
-
-# Asegúrate de exportar todas las funciones necesarias
-__all__ = [
- 'get_custom_stopwords',
- 'process_text',
- 'clean_text',
- 'get_stopwords_for_spacy',
- 'SYMBOLS_AND_NUMBERS'
+# modules/text_analysis/stopwords.py
+import spacy
+from typing import Set, List
+
+def get_custom_stopwords(lang_code: str) -> Set[str]:
+ """
+ Retorna un conjunto de stopwords personalizadas según el idioma.
+ """
+ # Stopwords base en español
+ # Símbolos, números y caracteres especiales
+
+ SYMBOLS_AND_NUMBERS = {
+ # Números
+ '0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
+
+ # Signos de puntuación básicos
+ '.', ',', ';', ':', '!', '¡', '?', '¿', '"', "'",
+
+ # Símbolos matemáticos
+ '+', '-', '*', '/', '=', '<', '>', '%',
+
+ # Paréntesis y otros delimitadores
+ '(', ')', '[', ']', '{', '}',
+
+ # Otros símbolos comunes
+ '@', '#', '$', '€', '£', '¥', '&', '_', '|', '\\', '/',
+
+ # Caracteres especiales
+ '•', '·', '…', '—', '–', '°', '´', '`', '^', '¨',
+
+ # Símbolos de ordenamiento
+ '§', '†', '‡', '¶',
+
+ # Símbolos de copyright y marcas registradas
+ '©', '®', '™',
+
+ # Fracciones comunes
+ '½', '¼', '¾', '⅓', '⅔',
+
+ # Otros caracteres especiales
+ '±', '×', '÷', '∞', '≠', '≤', '≥', '≈', '∑', '∏', '√',
+
+ # Espacios y caracteres de control
+ ' ', '\t', '\n', '\r', '\f', '\v'
+}
+ spanish_stopwords = {
+ 'el', 'la', 'los', 'las', 'un', 'una', 'unos', 'unas', 'y', 'o', 'pero', 'si',
+ 'de', 'del', 'al', 'a', 'ante', 'bajo', 'cabe', 'con', 'contra', 'de', 'desde',
+ 'en', 'entre', 'hacia', 'hasta', 'para', 'por', 'según', 'sin', 'sobre', 'tras',
+ 'que', 'más', 'este', 'esta', 'estos', 'estas', 'ese', 'esa', 'esos', 'esas',
+ 'muy', 'mucho', 'muchos', 'muchas', 'ser', 'estar', 'tener', 'hacer', 'como',
+ 'cuando', 'donde', 'quien', 'cual', 'mientras', 'sino', 'pues', 'porque',
+ 'cada', 'cual', 'cuales', 'cuanta', 'cuantas', 'cuanto', 'cuantos', 'uno', 'dos', 'tres', 'cuatro', 'cinco', 'seis', 'siete', 'ocho', 'nueve', 'diez',
+ 'once', 'doce', 'trece', 'catorce', 'quince', 'dieciséis', 'diecisiete', 'dieciocho', 'diecinueve', 'veinte',
+ 'treinta', 'cuarenta', 'cincuenta', 'sesenta', 'setenta', 'ochenta', 'noventa', 'cien', 'mil', 'millón',
+ 'primero', 'segundo', 'tercero', 'cuarto', 'quinto', 'sexto', 'séptimo', 'octavo', 'noveno', 'décimo'
+ }
+
+ # Stopwords base en inglés
+ english_stopwords = {
+ 'the', 'be', 'to', 'of', 'and', 'a', 'in', 'that', 'have', 'i', 'it', 'for',
+ 'not', 'on', 'with', 'he', 'as', 'you', 'do', 'at', 'this', 'but', 'his',
+ 'by', 'from', 'they', 'we', 'say', 'her', 'she', 'or', 'an', 'will', 'my',
+ 'one', 'all', 'would', 'there', 'their', 'what', 'so', 'up', 'out', 'if',
+ 'about', 'who', 'get', 'which', 'go', 'me', 'one', 'two', 'three', 'four', 'five', 'six', 'seven', 'eight', 'nine', 'ten',
+ 'eleven', 'twelve', 'thirteen', 'fourteen', 'fifteen', 'sixteen', 'seventeen', 'eighteen', 'nineteen', 'twenty',
+ 'thirty', 'forty', 'fifty', 'sixty', 'seventy', 'eighty', 'ninety', 'hundred', 'thousand', 'million',
+ 'first', 'second', 'third', 'fourth', 'fifth', 'sixth', 'seventh', 'eighth', 'ninth', 'tenth'
+ }
+
+ french_stopwords = {
+ 'le', 'la', 'les', 'un', 'une', 'des', 'du', 'de', 'et', 'ou', 'mais', 'si',
+ 'à', 'dans', 'sur', 'pour', 'en', 'vers', 'par', 'avec', 'sans', 'sous', 'sur',
+ 'que', 'qui', 'quoi', 'dont', 'où', 'quand', 'comment', 'pourquoi',
+ 'ce', 'cet', 'cette', 'ces', 'mon', 'ton', 'son', 'ma', 'ta', 'sa',
+ 'mes', 'tes', 'ses', 'notre', 'votre', 'leur', 'nos', 'vos', 'leurs',
+ 'je', 'tu', 'il', 'elle', 'nous', 'vous', 'ils', 'elles',
+ 'me', 'te', 'se', 'lui', 'leur', 'y', 'en', 'plus', 'moins',
+ 'très', 'trop', 'peu', 'beaucoup', 'assez', 'tout', 'toute', 'tous', 'toutes',
+ 'autre', 'autres', 'même', 'mêmes', 'tel', 'telle', 'tels', 'telles',
+ 'quel', 'quelle', 'quels', 'quelles', 'quelque', 'quelques',
+ 'aucun', 'aucune', 'aucuns', 'aucunes', 'plusieurs', 'chaque',
+ 'être', 'avoir', 'faire', 'dire', 'aller', 'venir', 'voir', 'savoir',
+ 'pouvoir', 'vouloir', 'falloir', 'devoir', 'croire', 'sembler',
+ 'alors', 'ainsi', 'car', 'donc', 'or', 'ni', 'ne', 'pas', 'plus',
+ 'jamais', 'toujours', 'parfois', 'souvent', 'maintenant', 'après',
+ 'avant', 'pendant', 'depuis', 'déjà', 'encore', 'ici', 'là',
+ 'oui', 'non', 'peut-être', 'bien', 'mal', 'aussi', 'surtout',
+ 'c\'est', 'j\'ai', 'n\'est', 'd\'un', 'd\'une', 'qu\'il', 'qu\'elle',
+ 'un', 'deux', 'trois', 'quatre', 'cinq', 'six', 'sept', 'huit', 'neuf', 'dix',
+ 'onze', 'douze', 'treize', 'quatorze', 'quinze', 'seize', 'dix-sept', 'dix-huit', 'dix-neuf', 'vingt',
+ 'trente', 'quarante', 'cinquante', 'soixante', 'soixante-dix', 'quatre-vingts', 'quatre-vingt-dix', 'cent', 'mille', 'million',
+ 'premier', 'deuxième', 'troisième', 'quatrième', 'cinquième', 'sixième', 'septième', 'huitième', 'neuvième', 'dixième'
+}
+
+ stopwords_dict = {
+ 'es': spanish_stopwords,
+ 'en': english_stopwords,
+ 'fr': french_stopwords
+ }
+
+ # Obtener stopwords del idioma especificado o devolver conjunto vacío si no existe
+ return stopwords_dict.get(lang_code, set())
+
+def process_text(text: str, lang_code: str, nlp) -> List[str]:
+ """
+ Procesa un texto completo, removiendo stopwords, símbolos y números.
+
+ Args:
+ text (str): Texto a procesar
+ lang_code (str): Código del idioma ('es', 'en', 'fr')
+ nlp: Modelo de spaCy cargado
+
+ Returns:
+ List[str]: Lista de tokens procesados
+ """
+ try:
+ # Obtener stopwords personalizadas
+ custom_stopwords = get_custom_stopwords(lang_code)
+
+ # Procesar el texto con spaCy
+ doc = nlp(text)
+
+ # Filtrar y procesar tokens
+ processed_tokens = []
+ for token in doc:
+ # Convertir a minúsculas y obtener el lema
+ lemma = token.lemma_.lower()
+
+ # Aplicar filtros
+ if (len(lemma) >= 2 and # Longitud mínima
+ lemma not in custom_stopwords and # No es stopword
+ not token.is_punct and # No es puntuación
+ not token.is_space and # No es espacio
+ lemma not in SYMBOLS_AND_NUMBERS and # No es símbolo o número
+ not any(char in string.punctuation for char in lemma) and # No contiene puntuación
+ not any(char.isdigit() for char in lemma)): # No contiene números
+
+ processed_tokens.append(lemma)
+
+ return processed_tokens
+
+ except Exception as e:
+ logger.error(f"Error en process_text: {str(e)}")
+ return []
+
+def clean_text(text: str) -> str:
+ """
+ Limpia un texto removiendo caracteres especiales y normalizando espacios.
+
+ Args:
+ text (str): Texto a limpiar
+
+ Returns:
+ str: Texto limpio
+ """
+ # Remover caracteres especiales y números
+ cleaned = ''.join(char for char in text if char not in SYMBOLS_AND_NUMBERS)
+
+ # Normalizar espacios
+ cleaned = ' '.join(cleaned.split())
+
+ return cleaned.strip()
+
+def get_stopwords_for_spacy(lang_code: str, nlp) -> Set[str]:
+ """
+ Combina stopwords personalizadas con las de spaCy.
+
+ Args:
+ lang_code (str): Código del idioma
+ nlp: Modelo de spaCy
+
+ Returns:
+ Set[str]: Conjunto combinado de stopwords
+ """
+ custom_stops = get_custom_stopwords(lang_code)
+ spacy_stops = nlp.Defaults.stop_words if hasattr(nlp.Defaults, 'stop_words') else set()
+
+ return custom_stops.union(spacy_stops)
+
+# Asegúrate de exportar todas las funciones necesarias
+__all__ = [
+ 'get_custom_stopwords',
+ 'process_text',
+ 'clean_text',
+ 'get_stopwords_for_spacy',
+ 'SYMBOLS_AND_NUMBERS'
]
\ No newline at end of file
diff --git a/modules/ui/user_page.py b/modules/ui/user_page.py
index ff44223fd5a21bf4a42e90fa3c51984ca14a9a48..db72111a1908b9aecef03bbcea96bd8b71df8b65 100644
--- a/modules/ui/user_page.py
+++ b/modules/ui/user_page.py
@@ -1,349 +1,349 @@
-import streamlit as st
-import logging
-from datetime import datetime, timezone
-from dateutil.parser import parse
-
-# Configuración del logger
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-#Importaciones locales.
-
-from ..utils.widget_utils import generate_unique_key
-from session_state import initialize_session_state, logout
-
-from translations import get_translations
-
-from ..auth.auth import authenticate_user, authenticate_student, authenticate_admin
-
-from ..admin.admin_ui import admin_page
-
-from ..chatbot import display_sidebar_chat
-
-# Students activities
-from ..studentact.student_activities_v2 import display_student_activities
-from ..studentact.current_situation_interface import display_current_situation_interface
-from ..studentact.current_situation_analysis import analyze_text_dimensions
-
-
-##Importaciones desde la configuración de bases datos #######
-
-from ..database.sql_db import (
- get_user,
- get_admin_user,
- get_student_user,
- get_teacher_user,
- create_user,
- create_student_user,
- create_teacher_user,
- create_admin_user,
- update_student_user, # Agregada
- delete_student_user, # Agregada
- record_login,
- record_logout,
- get_recent_sessions,
- get_user_total_time,
- store_application_request,
- store_student_feedback
-)
-
-from ..database.mongo_db import (
- get_collection,
- insert_document,
- find_documents,
- update_document,
- delete_document
-)
-
-from ..database.morphosintax_mongo_db import (
- store_student_morphosyntax_result,
- get_student_morphosyntax_analysis,
- update_student_morphosyntax_analysis,
- delete_student_morphosyntax_analysis,
- get_student_morphosyntax_data
-)
-
-from ..database.chat_mongo_db import store_chat_history, get_chat_history
-
-##Importaciones desde los análisis #######
-from ..morphosyntax.morphosyntax_interface import (
- display_morphosyntax_interface,
- display_arc_diagram
-)
-
-from ..semantic.semantic_interface import (
- display_semantic_interface,
- display_semantic_results
-)
-
-from ..semantic.semantic_live_interface import display_semantic_live_interface
-
-from ..discourse.discourse_live_interface import display_discourse_live_interface
-
-from ..discourse.discourse_interface import ( # Agregar esta importación
- display_discourse_interface,
- display_discourse_results
-)
-
-
-
-####################################################################################
-def user_page(lang_code, t):
- logger.info(f"Entrando en user_page para el estudiante: {st.session_state.username}")
-
- # Inicializar el tab seleccionado si no existe
- if 'selected_tab' not in st.session_state:
- st.session_state.selected_tab = 0
-
- # Inicializar el estado del análisis en vivo
- if 'semantic_live_active' not in st.session_state:
- st.session_state.semantic_live_active = False
-
- # Manejar la carga inicial de datos del usuario
- if 'user_data' not in st.session_state:
- with st.spinner(t.get('loading_data', "Cargando tus datos...")):
- try:
- st.session_state.user_data = get_student_morphosyntax_data(st.session_state.username)
- st.session_state.last_data_fetch = datetime.now(timezone.utc).isoformat()
- except Exception as e:
- logger.error(f"Error al obtener datos del usuario: {str(e)}")
- st.error(t.get('data_load_error', "Hubo un problema al cargar tus datos. Por favor, intenta recargar la página."))
- return
-
- logger.info(f"Idioma actual: {st.session_state.lang_code}")
- logger.info(f"Modelos NLP cargados: {'nlp_models' in st.session_state}")
-
- # Configuración de idiomas disponibles
- languages = {'Español': 'es', 'English': 'en', 'Français': 'fr', 'Português': 'pt'}
-
- # Estilos CSS personalizados
- st.markdown("""
-
- """, unsafe_allow_html=True)
-
- # Barra superior con información del usuario y controles
- with st.container():
- col1, col2, col3 = st.columns([2, 2, 1])
- with col1:
- st.markdown(f"